高维时间序列在线异常检测的变分推断
本文介绍了一种基于 Markov 过程的 mean field variational approximation 方法,用于近似描述 Continuous-time Bayesian networks 中的概率分布,并提供了较好的推断和学习效果。
May, 2012
本文介绍一种基于变分推断的循环神经网络模型——Stochastic Recurrent Network(STORN),通过引入潜变量来提高循环神经网络的性能,实现了结构化和多模态条件下的建模。作者在四个多声部音乐数据集和运动捕捉数据上对该模型进行了评估。
Nov, 2014
本文介绍了一种基于回归高斯过程(RGP)模型的贝叶斯非参数模型,能够从序列数据中学习动态模式,并提出了一种低维度的RNN-based顺序识别模型,可用于非线性系统识别,以及具有广泛适用性的动态学习。
Nov, 2015
提出了一种序列变分自动编码器模型(SISVAE),其基于VAE模型,以及采用平滑性先验,用于多维时间序列的稳健估计和异常检测,这种模型采用灵活的神经网络来参数化每个时间戳的均值和方差。
Feb, 2021
在该研究中,我们使用基于粒子方法和变分推断的变分序贯蒙特卡洛(VSMC)方法,在时间上分布了VSMC代理ELBO的梯度的近似,从而实现了面向数据流的在线学习,能够高效地进行参数估计和粒子提议适应。同时,我们提供了与数据量趋于无穷大时该算法收敛性质的严格理论结果,以及在批处理设置中的出色收敛性和实用性的数值说明。
Dec, 2023
使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据,使得在多个潜在随机过程上学习多个动力模型成为可能。
Feb, 2024
我们提出使用变分顺序蒙特卡洛方法拟合随机低秩递归神经网络,验证了该方法在多个数据集上的有效性,并展示了对具有分段线性非线性性质的低秩模型进行高效识别的方法,可为大型递归神经网络的推断动态分析提供可行性。
Jun, 2024
本研究解决了在工业4.0中,复杂异常检测面临的计算资源需求和网络延迟的问题。提出的VARADE模型采用轻量级自回归框架,基于变分推理,适合边缘设备的实时执行。实验结果显示,该方法在不同边缘平台上与多种先进算法比较,达到最佳的异常检测准确率、电力消耗和推理频率的平衡。
Sep, 2024
本研究解决了在工业4.0中检测大规模数据复杂异常的高计算需求问题。提出的VARADE模型基于变分推断,提供了一种轻量级自回归框架,适用于实时边缘计算,在机器人臂的实验验证中显示出优越的检测精度、能耗和推理频率表现。
Sep, 2024