Apr, 2017

异构过程中的主动异常检测

PDF
TL;DR研究了一种检测异质进程中异常的主动推理问题。提出了一种序贯探测策略，动态地确定每个时间要观察哪些进程以及何时终止搜索。提出了一种低复杂度的确定性测试，其渐近最优性与 Chernoff 测试相同，但在有限范围内性能更好，收敛更快，特别是当进程数量很大时，所提出的测试的计算复杂度也非常低。
anomaly detectionsequential probing strategychernoff testasymptotic optimalitycomputational complexity
发现论文，激发创造
  • 基于学习的序列控制感知的异常检测

    通过学习控制感知，本文解决了检测给定二进制过程中异常的问题。我们设计了一种顺序选择策略，以最小化决策延迟和总感知成本，并使用深度增强学习和深度主动推断算法来解决该问题。

    Nov, 2023

  • 使用 Actor-Critic 强化学习在受控感知下的异常检测

    本文提出了一种利用二进制传感器测量识别异常的算法，将问题转化为在 Markov 决策过程框架下的顺序假设检验问题，使用 Actor-Critic 深度强化学习算法解决，并在数值实验中证明了其在适应任何未知统计依赖模式的处理过程方面的优异性能。

    May, 2020

  • 基于集成的主动异常检测

    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

  • 动态过程限制的实时离群值检测

    本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

    Jan, 2023

  • 图时序中用于异常检测的局部统计量

    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。

    Jun, 2013

  • 主动顺序假设检验

    本文提出了两种启发式策略，通过动态规划建立了最优总成本的下界，研究了信息获取率和可靠性的极限，证明了第一个启发式方法的渐近最优性，同时分析了第二个启发式方法在有噪声动态搜索问题中的性能。

    Mar, 2012

  • 使用循环神经网络和模型无关强化学习进行未知环境中的主动假设检验

    该研究提出一种深度强化学习和监督学习相结合的方法，用于解决在完全未知环境中的主动顺序假设测试问题。结果表明，与 Chernoff 测试相比，该方法在有限和无限视野问题中表现出竞争力并有时表现更好。

    Mar, 2023

  • 多假设检测的有控感知

    讨论了固定样本量和顺序设定下的多重假设检验问题，并分别导出了二元假设检验和多重假设检验的误差指数的下限和上限，并探讨了过去信息和随机化在设计最优控制策略中的作用。

    May, 2012

  • 使用深度学习的主动序贯假设检验政策设计

    该研究使用基于深度学习的启发式和 KL 分歧零和游戏设计方法来解决部分可观测马尔可夫决策过程中的主动序贯假设测试问题，并表明在某些情况下所提出的启发式方法优于现有方法。

    Oct, 2018

  • Hawkes 过程的自适应估计；应用于基因组分析

    本文提供了一种新的方法，可以使用 Hawkes 过程检测 DNA 序列中基因组事件之间的首选或避免距离，使用非渐近惩罚模型选择方法，该模型选择能够适应 Hawkes' 过程的 Hölderian 函数，并且引入了一种有效的名为 Islands 的策略，用于数据驱动的惩罚校准，实验证明结果与生物学知识一致并完善了结果。

    Mar, 2009