一种基于神经网络的边缘设备本地学习异常检测器

Jul, 2019

一种基于神经网络的边缘设备本地学习异常检测器

A Neural Network-Based On-device Learning Anomaly Detector for Edge Devices

Mineto Tsukada, Masaaki Kondo, Hiroki Matsutani

TL;DR提出了 ONLAD 与其 IP 核 ONLAD Core，并且将其优化到能够在一毫秒以内快速序列学习以跟随概念漂移，在边缘设备上进行低功耗的设备学习，从而实现了不需要边缘和服务器之间执行数据传输的独立执行。实验结果表明，ONLAD 具有优秀的异常检测能力，并且 ONLAD Core 的评估证实其训练延迟比其他软件实现快 1.95x 到 6.58x，PYNQ-Z1 板上实现的运行时功耗比它们低 5.0x 到 25.4x。

Abstract

semi-supervised anomaly detection is an approach to identify anomalies by learning the distribution of normal data. backpropagation neural networks (i.e., BP-NNs) based approaches have recently drawn attention be

semi-supervised anomaly detection backpropagation neural networks onlad core sequential learning edge devices

发现论文，激发创造

On-Device Learning: 基于神经网络的现场可训练边缘 AI

本文介绍了一种基于神经网络的设备本地 (on-device) 学习方法，该方法能够在低端设备上提高边缘人工智能 (Edge AI) 应用的精确度并节省计算和通信成本，特别是在有噪声的环境下重训练 (retraining) 后可显著提高异物检测 (anomaly detection) 的准确性。

Mar, 2022

面向低端边缘设备的设备学习顺序概念漂移检测方法

本文提出一种边缘 AI 系统中的概念漂移检测方法，通过序列计算实现神经网络的重新训练和检测概念漂移，降低计算和内存使用，实现在 Raspberry Pi Pico 等资源受限的设备上的应用。

Dec, 2022

LightESD: 面向边缘计算的全自动轻量级异常检测框架

提出了一种全自动、轻量级、基于统计学习的异常检测框架，该方法适用于边缘设备上学习，不需要边缘设备和服务器之间的数据传输，可以自动适应任何数据集，并在检测准确率、效率和资源消耗方面优于其他最先进的方法。

May, 2023

少样本在线异常检测和分割

该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

Mar, 2024

分层边缘计算中的物联网数据自适应异常检测

提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

Jan, 2020

EdgeOL：边缘设备上高效的现场在线学习

通过内部和外部优化，EdgeOL 边缘在线学习框架优化了推理准确率、微调执行时间和能量效率，平均降低了 82% 的微调执行时间和 74% 的能量消耗，并提高了 1.70% 的平均推理准确率。

Jan, 2024

基于在线演化脉冲神经网络的流数据无监督异常检测

提出了一种在线演化脉冲神经网络（OeSNN）的无监督异常检测算法，该算法使用了新的两步检测方法和 OeSNN 的神经元模型和输入层编码的新理论属性，通过在 Numenta Anomaly Benchmark 和 Yahoo Anomaly Datasets 存储库中的流数据上进行实验比较，表明该方法相对于文献中提出的其他解决方案在检测异常值方面更加高效和有竞争力。

Dec, 2019

在线自适应异常检测用于飞机装配中的缺陷识别

在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。

Jun, 2024

MLAD: 多系统日志异常检测的统一模型

提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

Jan, 2024

EARLIN: 面向资源高效协作推理的早期 OD 检测

本文提出了一种新颖的基于预训练卷积神经网络模型的轻量级 OOD 检测方法 EARLIN，通过定义降维特征空间上的距离函数从浅层中挖掘重要特征来检测输入样本是 ID 还是 OOD，无需对已有模型重新训练或使用 OOD 数据集来获取检测参数，通过实验验证其在真实数据集上的检测效果优于其他方法且成本更低。

Jun, 2021