循环神经网络异常检测
使用基于学习的方法优化移动通信网络 (RAN) 在最近几年得到了越来越多的关注,本文提出了一个可扩展的框架,用于构建一个策略库,可以在大量具有不同流量模式的基站上进行 RAN 优化,并将异常检测技术应用于判断任务与策略库的兼容性,以高效地使用计算资源。
Dec, 2023
使用深度学习技术,提出了一种用于射电数据中减轻射电频率干扰信号(RFI)的新方法,通过一种特殊的卷积神经网络,该网络可以对来自射电望远镜获得的 2D 有序时间数据中的清洁信号和 RFI 信号进行分类。作者实现的 U-Net 得到了与已有的 RFM 算法相媲美的结果。
Sep, 2016
本文提出一种基于自监督学习的异常检测框架,应用于广泛的射电望远镜系统,能够在实时处理中,有效地分类常见异常及检测未知异常。通过为 Low Frequency Array(LOFAR)望远镜提供的数据集验证,该方法取得了高效且有效的结果,表现优于其他相关作品。
Jul, 2023
本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型,该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常,实验结果表明该模型能够提供可靠和高效的集体异常检测方案。
Mar, 2017
本研究提出使用吸收材料记录辐射电磁场并通过条件编码器 - 解码器 AI 评估生成热图像序列的新方法,进行天线阵列的故障检测。研究表明,在低级图案下,基于轮廓的异常检测可以将重构误差矩阵映射到异常评分,以提高分类 F-M 度量达 46%。
Nov, 2021
本研究中,我们利用带有 attention 机制的 RNN 语言模型来进行深度学习方法的可解释性应用于计算机系统和日志数据的异常检测,实现了卓越的性能和可解释性。
Mar, 2018
本文研究了卷积神经网络在复杂时间无线电信号领域中的应用。我们比较了使用 naively learned 特征和使用专家特征进行无线电调制分类的有效性,并展示了显著的性能提升。我们表明在低信噪比下,使用深卷积神经网络进行大规模且密集编码时间序列的盲目时序学习是可行的,是该任务的强有力候选方法。
Feb, 2016
使用神经密度估计的新型无监督异常检测技术 ANODE,在区分信号区域和旁带处估计概率密度,并将旁带差值插值到信号区域,构建数据对背景的似然比,从而对局部异常的过密度进行广泛敏感。在 LHC 2020 奥林匹克研发数据集上进行实验证明,相对于其他方法,ANODE 对信号区域和旁带之间的系统差异具有更广泛的适用性,可以将 dijet 波峰探测的显著性提高多达 7 倍,在背景预测准确率为 10%时。虽然 LHC 被用作反复的示例,但此处开发的方法在物理和其他领域的异常检测中具有广泛的适用性。
Jan, 2020
本研究提出一种新的自动广播广告检测技术,通过运用先进的语音识别和文本分类算法,不需要事先了解广播内容即可检测即席广告和新引入的广告,实现了对广播中广告的全面检测,为广告播放监测提供了全面解决方案。实验证明,该模型在经过仔细分割和标记的文本数据上训练,F1-macro 得分达到了 87.76,较理论最大值 89.33 略低。本研究对超参数的选择及其对模型性能的影响提供了深入理解,展示了该技术确保广告播放合同合规性和提供竞争监测的潜力。这项开创性的研究可能从根本上改变广播广告的监测方式,并为市场营销优化开辟了新的可能性。
Mar, 2024
本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型,通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征,并结合节点的空间位置关系,从而大大提高了鲁棒性和 F1 得分。
Feb, 2022