Mar, 2019

用自编码器二分类器实现有监督的异常检测

PDF
TL;DR本文提出了 Autoencoding Binary Classifiers（ABC），一种基于自编码器的新型监督异常检测器。ABC 是一种概率二元分类器，可以有效利用标签信息，并且以编码顺序优化模型对正常数据点的再现误差最小化，对已知异常最大化再现误差以实现对已知和未知异常的准确鉴别。实验结果表明，ABC 具有比现有监督和无监督方法更高的检测性能。
发现论文，激发创造
  • 学习不重构异常

    本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

    Oct, 2021

  • 使用监督自编码器的半监督分类在生物医学应用中的应用

    这篇文章介绍了一种新的半监督分类方法，该方法使用监督自编码器网络，将标签编码到自编码器的潜空间，并定义一个结合分类和重构损失的全局准则，用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。

    Aug, 2022

  • 基于合成时序异常指导的端到端视频异常检测

    本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。

    Oct, 2021

  • 基于理论的重新思考自编码器在医学异常检测中的应用

    利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

    Mar, 2024

  • 基于注意力机制和自编码器的无监督在线异常检测模型

    本文介绍了一种用于时间序列中的无监督在线异常检测的混合注意力和自编码器（AE）模型。该模型结合了注意力和自编码器的方法进行时间序列异常检测，通过对自编码器潜在空间中的下一个时间步骤窗口进行预测，使用验证数据集中的阈值进行异常检测，并引入了基于错误的第一统计矩的替代方法，提高了准确性。通过对多样的真实世界基准数据集进行评估，并与其他成熟模型进行比较，验证了我们提出的模型在异常检测中的有效性。

    Jan, 2024

  • 视频异常事件检测的物体中心自编码器和虚假异常

    本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法，使用基于物体中心的卷积自编码器编码运动和外观信息，并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验，结果显示此方法超过现有技术的结果。

    Dec, 2018

  • 基于径向自编码器的异常检测增强

    研究了基于几何形状的异常检测，提出了一种基于自编码器的方法，即 centric autoencoder（cAE），结合了数据压缩和自编码器训练的 radial deformation，与传统监督方法相比，cAE 在异常检测中展现出更好的性能。

    Mar, 2022

  • 高性能计算系统中的自编码器异常检测

    这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

    Nov, 2018

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 通过对抗学习连续噪声损坏实现的强大半监督异常检测

    这篇论文探讨了如何应用对抗性训练和增加噪声的方法来解决自动编码器过拟合问题，从而提高异常检测的性能，并在多个数据集和实际场景中进行了验证。

    Mar, 2023