本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析,提供关于流行的深度学习技术的全面的系统性回顾,比较和对比它们的架构差异和训练算法,并提供了用于解释模型决策的深度模型解释策略的综合概述。此外,指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。
Dec, 2020
本文调查了基于深度学习的时间序列异常检测的现状,提供了一种基于分类因素的分类法,并描述了每种分类法的优点和局限性,最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。
Nov, 2022
本文介绍了关于深度学习中的异常检测技术的研究,旨在提供现有技术的分类及其相对优缺点,强调在应用异常检测技术的深度学习系统中仍存在的未解决研究挑战,并提出了未来重要的研究方向。
Mar, 2020
本文综述了现代深度学习技术在图异常检测中的应用,编译了开放资源的实现、公共数据集和常用评估方法,重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。
Jun, 2021
本文简要综述了现有的工作,并从解释性、公平性、鲁棒性和隐私保护的角度讨论了可信的异常检测的开放问题。
Feb, 2022
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
综述了基于图数据的异常检测技术,包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点,最后探讨了基于图结构数据的异常检测领域的未来研究方向。
May, 2024
本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法,包括在不同场景下的无监督和(半)监督方法,以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性,并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外,作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用,并讨论了该领域的理论和实践挑战。
Apr, 2014
本篇论文探讨了基于深度神经网络的图像 / 视频异常检测方法,讨论了当前的挑战和未来的研究方向。
Mar, 2021
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力,通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题,同时降低了深度学习模型设计和实现的复杂度。
Jul, 2023