该论文基于深度学习编码 - 解码器网络架构,提出了一种概率方法来检测新数据点,并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明,在多个基准数据集上,该方法能够达到最先进水平。
Jul, 2018
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法,通过最大似然优化与正常样本重建相结合的方式,成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能,而且不做任何新奇性的假设,可适用于各种不同的场景。
本文提出了一种基于生成式对抗网络的端到端架构,用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题,其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明,该方法有效地学习了目标类,并优于基线和最先进的方法。
Feb, 2018
通过线性化保持内点分布结构的流形,我们计算新颖性概率,并在网络的训练协议上进行改进,证明我们的方法在学习目标类别方面是有效的,并在几个基准数据集上优于最新的先进方法。
Apr, 2024
本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题,提出了一个旨在学习强大的新颖性检测正确性的先验;同时,将该先验与最先进的新颖性检测方法相结合,并评估了该方法在攻击存在与否的情况下的性能表现,得到了较好的结果。
Jun, 2023
粒子物理学中使用机器学习进行异常检测的最新技术进行综述,讨论了在大型复杂数据集中进行异常检测的挑战,并强调了在粒子物理实验中异常检测的成功应用。
Dec, 2023
使用物理过程训练的变分自编码器,开发了一种单边阈值测试,以隔离先前未见的过程作为异常事件,并且这种算法可以识别丢失的异常事件,扩展了 LHC 的科学范围。
Nov, 2018
文章提出一种基于 VAE 的新颖性检测方法,使用该方法可以检测出多发性硬化症的扩散 MRI 扫描中的异常区域,并且在 MNIST 手写数字数据集上取得了优于现有方法的效果。
Jun, 2018
本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景,不需要人工构建非线性特征,但仍然比当前最佳方法提高 8% 的分类指标。
Feb, 2014
介绍一种新的不受模型限制的异常检测技术,利用现代机器学习算法,应用于双喷注谐振搜索,将仅有的 2sigma 超出量变为 7sigma 超出量,从而找到与现有物理模型不符的中间 BSM 粒子。
May, 2018