Jan, 2019

MAD-GAN：基于生成对抗网络的多元时序数据异常检测

PDF
TL;DR本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。
multivariate time series dataanomalous detectionunsupervised machine learninggenerative adversarial networkscyber-intrusions
发现论文，激发创造
  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • TadGAN: 使用生成对抗网络进行时间序列异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络（LSTM）作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性，并通过循环一致性损失进行训练，以实现有效的时间序列数据重构。此外，该方法还提出了计算重构误差的几种新方法，以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常，并在大多数情况下（11 个数据集中的 6 个）胜过基线方法。

    Sep, 2020

  • MTS-DVGAN：基于双变分生成对抗网络的网络物理系统异常检测

    提出了一种名为 MST-DVGAN 的新型无监督双变分生成对抗模型，用于对多变量时间序列数据进行 CPS 安全的异常检测，可以提高模型的鉴别能力并生成多样的样本，实验证明该模型比现有方法更稳定且性能一致提升。

    Nov, 2023

  • TAnoGAN：基于生成对抗网络的时间序列异常检测

    本文提出了一种用于时序数据异常检测的基于生成对抗神经网络的无监督方法 TAnoGan，实验结果表明其比传统及神经网络模型表现更好。

    Aug, 2020

  • 基于打分的生成模型的多元异常检测

    我们提出了一种基于评分的生成模型的多变量时间序列异常检测器，称为 MadSGM，它考虑了最广泛的异常度量因素：基于重建、基于密度和基于梯度的异常度量。通过在五个真实世界基准数据集上的实验证明，MadSGM 实现了最稳健和准确的预测。

    Aug, 2023

  • 高效基于 GAN 的异常检测

    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

  • 发电厂中的异常检测与生成对抗网络

    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

  • 工业传感器大型时间序列的多尺度异常检测

    提出一种基于重构的异常检测方法 MissGAN，通过迭代学习将自然而平滑的时间序列重视切分为较粗的片段，并在低维度表示基础上发现更细的段落，从而学习多尺度段落，并通过对抗规则和额外条件状态重构一个有意义且稳健的时间序列，不需要标签或仅需要正常实例的标签，适用范围广泛。

    Apr, 2022

  • DEGAN：使用生成式对抗网络鉴别器和密度估计的时间序列异常检测

    本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。

    Oct, 2022