Apr, 2018

检测时空异常的最大差异区域

PDF
TL;DR本文提出了一种基于 Maximally Divergent Intervals 框架的算法，用于检测多元时空时间序列中的异常区域，该方法不仅仅可以用于识别孤立数据点的异常值，还可以发现由高 Kullback-Leibler 散度值特征的区域以及时间间隔，适用于各种各样的应用领域，如欺诈检测、气候分析、视频监控、文本法庭。
anomaly detectionmultivariate spatio-temporal time-seriesmaximally divergent intervalsunsupervised detectionkullback-leibler divergence
发现论文，激发创造
  • 用于异常检测的最大差值区间

    本文介绍了针对多变量时间序列的批量异常检测的新方法，其基于最大化时间序列内外数据分布的 KL 散度，经实证分析表明其相较于其他基于各自时间步的方法具有优势。

    Oct, 2016

  • 使用反事实推理进行多元时间序列异常归因

    该研究采用反事实推理方法，利用 MDI 算法实现多元时间序列的异常检测和异常事件的定位，应用于极端气候事件识别，取得了较高的准确性。

    Sep, 2021

  • 轻量级多系统多元相互连接与差异发现

    该研究提出了一种轻量级的互连和差异发现机制（LIDD），用于识别多系统环境中的异常行为，通过多变量分析技术估计传感器之间的相似热图，并应用信息检索算法提供相关的多级互连和差异细节。在 CERN 的紧凑双曲线磁铁（CMS）实验的 Hadron Calorimeter 的读出系统上的实验验证了所提出方法的有效性，以符合预期的能量量能器互连配置聚类读出系统和传感器，同时捕获发散聚类中的异常行为并估计其根本原因。

    Apr, 2024

  • 使用 Sinkhorn 散度在最优传输和 MMD 之间插值

    本文研究 Sinkhorn 差异，一种几何差异的系列，介于 MMD 和 OT 之间，提供了这些差异的理论保证和实际应用的数值方案。

    Oct, 2018

  • 失衡航空器数据异常检测

    提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

    May, 2023

  • 物理引导的异常轨迹间隙检测

    通过空间时间索引和动态区域合并，提出了一种用于检测轨迹中异常间隙的方法，并在合成和真实世界海上轨迹数据上进行了实验验证。

    Mar, 2024

  • 大规模视频异常检测的判别式框架

    本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

    Sep, 2016

  • 多模态工业异常检测通过交叉模态特征映射

    这篇论文探讨了工业多模态异常检测任务，利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架，它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时，通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明，我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能，同时实现了更快的推理速度和更低的内存占用，优于先前的多模态异常检测方法。此外，我们提出一种层裁剪技术，在性能上略有损失的同时提高了内存和时间效率。

    Dec, 2023

  • 美国东北关键带研究集水区时间序列数据中检测异常峰值模式的自动化机器学习方法

    该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。

    Sep, 2023

  • 扭曲时间序列异常检测

    该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。

    Apr, 2024