Jun, 2013

图时序中用于异常检测的局部统计量

PDF
TL;DR本文利用生成潜在位置模型将变点检测问题定义为假设检验问题，关注时间序列的随机块模型这一特殊情形，并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性，并在合成数据和 Enron 电子邮件语料库上理论和性能比较，证明了两种统计量在一个简单境况下是可接受的，而其中一种统计量在第二种境况下是不可接受的。
change-point detectiondynamic networkgraph signal processingstochastic block modelscan statistics
发现论文，激发创造
  • 基于图形的变点检测

    提出了一种基于图表示相似性的扫描统计学方法，适用于任何具有信息相似性度量的数据集，并提供了准确的分析逼近，用于检测和估计单个变化点和变化时间间隔，通过模拟发现该方法在数据维度中等到较高时比现有方法更具有优势，案例应用包括经典小说作者的确定和网络时间上变化的检测。

    Sep, 2012

  • 基于谱扫描统计量的图突变检测

    本文提出了一种基于组合 Laplacian 的可行的放松 GLR 统计量，称为谱扫描统计量，以解决在给定图形上检测未知信号是否为常数或分段常数问题，其性能直接取决于图形的谱，并基于图的少量重要拓扑性能提出了渐近性质证明。

    Jun, 2012

  • 动态图的拉普拉斯变点检测

    本文提出了一种名为 Laplacian Anomaly Detection (LAD) 的方法，用于动态图中的变化点检测，并通过两个滑动窗口显式地建模短期和长期依赖关系。实验结果表明，该方法在动态网络中可以更有效地识别异常时间点。

    Jul, 2020

  • 使用 Lovasz 扩展扫描统计量在图中实现近乎最优的异常检测

    本文主要介绍了在图形中检测异常活动的统计问题，并利用子模的方法近似不可计算的广义似然比，应用电网络理论控制了第一类错误率并证明了条件下，该方法具有风险一致性。此外，还考虑了具体的图形模型，并将结果与已知的下限进行比较，证明了其在这些图形上提供了接近最佳的性能。

    Dec, 2013

  • 高维网络流量数据中变点的检测和定位

    本文提出了一种称为 TopRank 的新颖有效的方法，用于在高维数据中检测变化点，该方法基于数据降维和基于 U 统计量的非参数变化点检测测试，该方法可应用于网络安全领域的异常检测和定位，并在现实的网络数据上进行了验证。

    Aug, 2009

  • 用扫描 $B$- 统计量检测核变点

    本篇论文提出了基于核函数非参数统计方法的两种改变点检测统计量，通过使用变换测度技术来表征这些统计量的尾概率，以此获得控制误报率所需的显著性水平和平均运行长度的检测阈值，从而提高了检测效率和准确性。

    Jul, 2015

  • 检测演化网络大规模结构的变点

    本研究在一个在线概率学习框架中，首次将网络变化点检测问题形式化，并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验，可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时，证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景，该方法识别了一系列的变化点，并与这些网络已知的外部 “冲击” 相一致。

    Mar, 2014

  • 网络中的异常聚集检测

    探测给定传感器网络中是否存在具有 “异常行为” 的传感器簇，涉及时间序列分析和泊松分布的聚类检测方法。

    Jan, 2010

  • 高维网络流量数据变化点的分布式检测和定位

    本文提出了一种新颖的分布式统计检测算法，可用于高容量的网络流量中的变化点检测和鉴定，尤其适用于检测和识别分布式拒绝服务攻击，所提算法 DTopRank 可通过聚合获取的部分信息，实现分布式网络异常检测，并采用中心决策站点上的非参数等级检验方法，综合记录过滤和双重定向时间序列方法以解决海量数据问题，并可应用于合成数据和互联网服务提供商的某一流量跟踪数据。

    Sep, 2009

  • 大规模异常检测：深度分布式时间序列模型的应用

    论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

    Jul, 2020