多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。
Aug, 2023
本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程，通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移，实现了降低假正例率且不损失检测率的目的。
Sep, 2018
通过引入选择性集合来减轻模型的不一致性，使用随机选定的起始条件训练一组模型的预测上执行假设检验；在这些情况下，选择性集合可以放弃不一致预测结果并在指定的置信水平下达成一致结果，多个基准数据集上展示出零一致性预测点和低至 1.5％的放弃率。
Nov, 2021
本文介绍了两种方法来解决实际应用中时间序列异常检测的需要，并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量，将所提出的方法应用于两个工业异常检测数据集，并与文献中的方法进行了比较。此外，本研究还指出了采用此类方法在实际应用中所面临的其他挑战。
Jul, 2022
本文提出了一种名为 LSCP 的框架，通过在随机选择的特征子空间中使用其最近邻的共识来定义测试实例周围的本地区域，从而选择并组合最优基础检测器作为模型的最终输出，并比较了四种 LSCP 框架与七种广泛使用的平行框架的实验结果，其中一种变体 LSCP_AOM 在大部分 20 个真实世界数据集上表现优于基线。
Dec, 2018
本文提供了两种无监督机器学习方法，用于 PLC 基础 ICS 中的异常检测，分别是加权投票集成方法和使用孤立森林元检测器的堆叠集成方法。研究结果表明，使用孤立森林元检测器的堆叠集成方法在所有性能指标上优于以往的方法，并可以稳健地检测任意 ICS 数据集中的异常。
Feb, 2023
本文提出了一种在分类器内部实现选择机制的方法与一种基于熵的正则化器，并取得了新的最高水平表现。
Jun, 2022
通过使用五个异构独立模型与双集成融合投票技术，该工作提出了一种新颖而强大的方法来进行异常检测，以提高工业冷却系统数据的可靠性和性能，实验结果表明该方法具有很高的准确性和可靠性。
Apr, 2024
本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。
Nov, 2022
我们介绍了一种新颖的生成过程，用于创建包含低计数时间序列和异常片段的基准数据集，通过理论和实证分析，我们解释了现有算法在正常和异常片段之间的分布重叠问题，并展示了异常分数平滑如何提高性能。我们的分析和建议的实际效用在一个包含零售店销售数据的真实世界数据集上得到了验证。