Dec, 2018

用于非监督异常检测的上下文编码变分自编码器

PDF
TL;DR本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。
unsupervised learningdeep learning-based auto encodermedical imagesanomaly detectioncevae
发现论文，激发创造
  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 基于分层条件变分自编码器的声学异常检测

    该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

    Jun, 2022

  • 用于异常喷注标记的变分自编码器

    本文通过使用低级别喷注构成信息，针对大型强子对撞机的异常喷注标记对变分自编码器（VAEs）进行了详细研究。在无监督的情况下对背景下的 QCD 喷注进行训练，VAE 能够对重建喷注进行重要信息的编码，并学习潜在空间中表现力强的后验分布。我们呈现了不同方法来检测异常情况，并对距离相关性正则化的基于质量去相关的 VAEs 进行了研究。 最终我们提出了异常暴露 VAE（OE-VAE），以构建一个性能优越的去相关异常喷注标记器，实现了异常检测灵敏度和去除异常得分中重力的两个目标。

    Jul, 2020

  • 利用变分自编码器实现皮肤疾病图像的异常检测

    本文介绍使用变分自编码器（VAE）来检测皮肤病图像异常状况的潜力。作者使用深度生成模型训练只有正常数据的 VAE，并在 ISIC2018 挑战疾病分类数据集（任务 3）上进行实验，取得了 0.779 的 AUCROC，证明该模型是有效的。同时，作者还尝试将该模型应用于检测具体疾病类型，如黑色素瘤和色素性角化，取得了 0.864 和 0.872 的 AUCROC。这是目前文献中首次尝试使用深度生成模型检测皮肤病图像异常情况。

    Jul, 2018

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 通过稳健的变分自编码实现新颖性检测

    本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

    Jun, 2020

  • 基于变分自编码器学习概念的蜂窝网络可解释异常检测

    该研究采用变分自编码器的方法解决了在移动网络中可解释的异常检测问题，该方法可以学习每个关键性能指标的可解释表示，使用重构误差和 Z 分数检测异常，通过附加信息中心增强表征学习，从而实现了异常可解释性和自主检测，同时展示了深度学习算法处理大数据的潜力。

    Jun, 2023

  • 对比变分自编码器增强显著特征

    本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE)，旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明，cVAE 可以有效地发现在特定分析中显著的潜在结构。

    Feb, 2019