Aug, 2019

SpecAE: 属性网络异常检测的频谱自编码器

PDF
TL;DR本文提出了一种基于谱卷积和反卷积的框架 SpecAE 来检测全局和社区异常值，它通过拉普拉斯锐化放大异常的表示和大多数的表示之间的差异，然后结合密度估计模型进行检测，并在真实世界数据集上进行了实验验证。
anomaly detectionattributed networksspectral convolutiondensity estimationend-to-end framework
发现论文，激发创造
  • 增强重构的多视角对比学习用于带属性网络异常检测

    本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

    May, 2022

  • 基于对比自监督学习的属性网络异常检测

    本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

    Feb, 2021

  • 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

  • 面板自编码器用于图像异常检测

    无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。

    Aug, 2023

  • EndNet: 稀疏自编码器网络用于端元提取和高光谱分解

    本文提出了一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案 EndNet，其结构完全优化和重组，通过引入额外的层和投影度量（即光谱角度距离（SAD）而不是内积）得到最优解，最后通过基于随机梯度的方法来扩展其可处理规模，该方法得到显著改进，表现优于文献中的现有技术。

    Aug, 2017

  • 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

  • AnomMAN: 多视图属性网络异常检测

    本文提出了一种基于图卷积的框架 ——AnomMAN，用于在多视角归属网络中检测异常。实验结果表明，AnomMAN 在现实世界数据集上表现比现有模型和两个我们提出的变种更好。

    Jan, 2022

  • 属性图上的半监督异常检测

    本文提出一种在具有少量实例标签信息的属性图上检测异常实例的简单而有效的方法，该方法使用图卷积网络将节点嵌入到潜空间中，以捕获节点间的关系，然后通过最小化超球体的体积来训练节点嵌入算法以检测异常实例。该方法在五个真实世界的属性图数据集上的实验结果表明，该方法比各种现有的异常检测方法具有更好的性能。

    Feb, 2020

  • 利用自编码器的弱点生成伪异常数据

    通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

    May, 2024

  • 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