本论文提出一个紧凑的自编码器公式,实现了在没有干净图像训练的情况下,去除图像数据中的稀疏损坏和异常,并展示了学习的流形结构在未见数据样本上的有效泛化能力。
Mar, 2023
本文研究了随机投影在主成分分析及子空间检测方法中的应用,结果表明,当数据具有良好压缩的协方差时,随机投影数据的异常检测算法的表现与原始数据的异常检测算法的表现相当。
Sep, 2011
使用网络数据包捕获数据和鲁棒主成分分析的方法,可以检测网络异常和入侵攻击,能够在 DARPA 入侵检测数据集中实现低误报率和合理真阳性率,即使没有先前训练的数据也能准确检测出网络攻击。
Jan, 2018
利用数据深度作为评分的一种新的统计工具,名为异常分量分析 (ACA),用于探索性分析异常观测。ACA 不仅可以更好地区分异常群组,而且还能为异常提供可解释性的线性低维数据表示。在比较模拟和真实数据研究中,ACA 相对于现有文献中的方法在异常分析方面也表现出优势。
Dec, 2023
本文介绍了一种基于主成分分析的算法,可以在多个应用领域中发现和拟合给定数据点的主要性质,同时克服了数据中存在的异常值和离群点的影响。所提出的算法能够在多项式时间内求解,且精度可以保证。
May, 2019
该文介绍了一种名为 Outlier Pursuit 的基于凸优化的算法,该算法使用矩阵分解来恢复未损坏矩阵的正确列空间,并确定损坏的点。此算法在基因组学和金融应用中具有重要意义。
Oct, 2010
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
通过对传统技术进行优化,我们实现了无监督主成分分析(PCA)技术的优化,通过轻量级的基于语义的日志表示解决了训练数据中未知日志事件的问题,提高了日志表示的效果,我们的研究比较了公共和工业数据集上的七种基于日志的异常检测方法,包括四种 DL-based 方法、两种传统方法和优化的 PCA 技术,结果表明,优化的无监督 PCA 技术在有限的训练数据和资源效率方面达到了与先进的监督 / 半监督 DL 方法相似的效果,从而证明了传统技术通过小而重要的改进具有的适应性和优势。
Aug, 2023
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。
这篇文章提出了一种基于深度学习技术的自编码器,通过学习超级计算机节点的正常行为来检测异常条件,测试结果表明该方法能够在正常系统行为学习阶段后,以非常好的准确率(在 88%至 96%之间)检测出之前未曾见过的异常条件,因此具有广阔的应用前景。
Nov, 2018