通过综述研究,探究了在复杂数据集中深度学习方法在异常检测中的应用,分析了常见方法的共性原理、常见假设以及经验评估,并提出了对未来研究的挑战和方向。
Sep, 2020
使用生成对抗网络(GANs)进行异常检测,取得了图像和网络入侵数据集方面的最新性能,并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。
Feb, 2018
利用自监督学习针对文本语料库制定预文本任务的方法,根据最新研究成果,大幅提高了半监督和无监督异常检测的效果,并证明了自监督异常检测在自然语言处理领域中的潜力。
Dec, 2023
探究如何在深度生成模型中检测异常值,发现高密度区域和通常样本集不一致,提出新的异常值检测方法以及需要修改已有的评估方法
Oct, 2020
使用生成对抗网络(GANs)进行电力发电厂异常检测的研究表明,GANs 在有效的异常检测方面表现出色,特别适用于使用大型数据集。
Sep, 2023
本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法,该方法可以通过极少量的样本(few-shot)训练来鲁棒地检测出图像中的异常样本,实验表明该方法在多个数据集上的表现优于近期的基线方法。
Apr, 2021
本研究调查了基于 GAN 的异常检测方法,评价了其优缺点,并在不同数据集上实验证明了主要的 GAN 模型的性能。同时,提供了一个完整的开源工具箱来使用 GAN 进行异常检测。
Jun, 2019
本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架,同时使用辨别器来批判模型,并在多个假设之间强制多样性,在 CIFAR-10 上取得了 3.9%的提高,并将基线模型的误差从 6.8%降低到 1.5%。
Oct, 2018
通过重新参数化的视角深入研究分布密度的行为,揭示在现有应用中赋予异常点密度的经验值与应用期望相冲突,提出利用这些似然函数进行异常检测依赖强的暗含假设,明确表述这些假设才能实现可靠异常检测。
Dec, 2020
该论文提出了一种新颖的深度生成模型,采用变分自动编码器架构,利用卷积编码器和解码器从空间和时间维度提取特征,结合注意力机制增强相关特征的表示,改进异常检测准确性,并在安全水处理测试平台的六个阶段进行了全面的实验分析,实验结果表明该方法相比多个先进的基准技术具有更好的性能。
May, 2024