Oct, 2017

LSTM 神经网络进行无监督和半监督异常检测

PDF
TL;DR本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提供了半监督和全监督框架的扩展，取得了显著的性能提升。
anomaly detectionlong short term memoryneural networkoc-svmsvdd
发现论文，激发创造
  • 基于 LSTM 的时间变化可变性数据的预测监控方法

    该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

    Sep, 2023

  • 一个混合 IndRNNLSTM 方法用于软件定义网络中的实时异常检测

    使用数据流预测进行的 SDN 异常检测是一项困难的任务，本文提出的 IndRNNLSTM 算法结合嵌入式特征选择模型在 NSL-KDD 数据上取得 MAE=1.22 和 RMSE=9.92 的结果。

    Feb, 2024

  • 基于卷积长短时记忆预测网络的视频异常检测

    通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

    Dec, 2016

  • 多变量时间序列异常检测的无监督短期和长期遮罩表示

    该研究论文提出了基于无监督的短期和长期遮蔽表示学习的异常检测方法，结合注意力机制和时间序列编码来提高多变量时间序列的预测性能和可解释性， 实验证明该方法在三个实际数据集上的性能优于其他最先进的模型。

    Aug, 2022

  • 基于长短期记忆循环神经网络的集体异常检测

    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

  • 一种结合门控循环单元（GRU）和支持向量机（SVM）的神经网络体系结构，用于网络流量数据中的入侵检测

    本文通过 Gated Recurrent Unit 对 2013 年京都大学蜜罐系统的网络流量数据进行二进制分类，将线性支持向量机替换为 GRU 模型最终输出层的 Softmax 函数， cross-entropy 函数也将替换为基于边缘的函数，结果显示 GRU - SVM 模型的性能相对较高，并且 SVM 在预测时间上优于 Softmax。

    Sep, 2017

  • 基于 LSTM 的异常检测：从极值理论中得出的检测规则

    本研究探索多种统计技术结合 LSTM 深度学习模型用于交通网络中的异常检测。我们使用三种基于统计的模型和数值研究，研究表明 EVT 检测方法强于其它检测方法，且不需要预测误差服从 特定的概率分布。

    Sep, 2019

  • 多元时间序列数据非监督异常检测和诊断的深度神经网络

    该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

    Nov, 2018

  • 基于长短期记忆模型的多元工业时间序列防篡改检测仿真

    基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

    Dec, 2016

  • 利用集成技术检测多变量时间序列中的异常

    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