GLAD: 通过人机协同学习实现本地化异常检测

ICMLOct, 2018

GLAD: 通过人机协同学习实现本地化异常检测

GLAD: GLocalized Anomaly Detection via Human-in-the-Loop Learning

Md Rakibul Islam, Shubhomoy Das, Janardhan Rao Doppa, Sriraam Natarajan

TL;DR本文提出了一种名为 GLAD 的新型人机协同学习算法，通过神经网络和人工标注反馈，支持全局异常探测器的本地化相关性自动学习和解释，该算法在合成和真实数据上取得了良好的效果。

Abstract

Human analysts that use anomaly detection systems in practice want to retain the use of simple and explainable global anomaly detectors. In this paper, we propose a novel human-in-the-loop learning algorithm call

anomaly detection glad algorithm global detectors human-in-the-loop learning neural network

发现论文，激发创造

社交媒体分析中的群体异常检测 - 扩展摘要

研究了基于个体点异常的传统社交媒体的异常检测方法，提出了一种层次贝叶斯模型 —— 组潜在异常检测（GLAD）模型，可以自动推断组并同时检测组异常。将 GLAD 进一步推广到其动态扩展 d-GLAD，以识别潜在群体和检测异常。

Oct, 2014

GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测

通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

Jun, 2024

GLAD：面向日志异常检测的内容感知动态图

GLAD 是一个基于图的日志异常检测框架，结合日志语义、关系模式和顺序模式，能够有效地检测系统日志中的异常关系模式。

Sep, 2023

GLADformer：一种用于图层面异常检测的混合视角

GLADformer 是一种多视角混合图级异常检测器，由 Graph Transformer 模块和 band-pass spectral GNN message passing 模块组成，能够有效地捕捉全局异常表征和频谱特征，在图级异常检测中优于现有的先进模型。

Jun, 2024

HC-GLAD：双超边对比学习用于无监督图层次异常检测

无监督图层级异常检测方法中，本文提出了一种新颖的双双曲对比学习方法（HC-GLAD），通过构建基于 gold motifs 的超图，并在双曲空间中进行图和超图嵌入学习，实现了对节点组连接、超图以及真实世界图层次的保留，并在多个真实世界数据集上进行了广泛实验，证明了 HC-GLAD 在图层级异常检测任务中的优越性。

Jul, 2024

GLAD：全局 - 局部对齐描述符用于行人检索

本文提出了一个新的人物重识别的框架，该框架利用全局 - 本地对齐描述符并采用高效的索引与检索机制，通过提取人物局部区域和使用深度神经网络进行局部和全局区域的表示学习，实现了与现有最先进技术相媲美的准确度和在线重识别加速的效果。

Sep, 2017

统一无监督图级异常检测和样本外检测：一个基准

构建安全可靠的图机器学习系统，无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟，我们提出了一个统一的基准，将图级异常检测和图级离群检测统一到广义图级离群检测的概念下，并提供了一个包含 35 个数据集的综合评估框架，为 16 种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析，探索现有方法的有效性、泛化能力、鲁棒性和效率，并基于我们的见解提供了开源代码库，以促进可重复性研究，并概述了未来研究的潜在方向。

Jun, 2024

自解释的图层级异常检测

自我解释的图异常检测模型 (SIGNET) 基于多视图子图信息瓶颈 (MSIB) 框架，能够同时检测异常图并生成有意义的解释，该模型在 16 个数据集上进行的实验验证了其异常检测能力和自我解释性。

Oct, 2023

对抗性学习的异常检测

本文提出一种基于双向 GAN 的异常检测方法 ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

Dec, 2018

全局知识蒸馏的深度图层异常检测

介绍了一种新的基于深度学习的图异常检测方法，该方法使用 GNN 来预测具有随机初始化网络权重的另一个 GNN，可以有效检测局部和全局异常的真实世界图数据集。

Dec, 2021