数据流的自动模型监控
本文提出了 MemStream,一种流异常检测框架,使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势,以应对流式数据中的异常情况和概念漂移,并通过实验结果证明其有效性。
Jun, 2021
提出了一种名为 Feature Monitoring 的灵活系统,它能够检测高维度输入数据的数据漂移,并能够观察机器学习算法的行为,该系统的轻量、高效和解释性特征排序可以帮助排查问题和减少添加自定义信号的需求。
Jul, 2022
本文提出了一种自编码器模型的增量学习方法,并加入了漂移检测,以应对非平稳环境中异常事件的问题。在实验中,我们使用了现实世界和合成数据集进行了实证分析,并进行了对比分析,结果表明该方法明显优于现有的基线和先进方法。
May, 2023
本文提供了四种文本漂移生成方法,以便生成带有标记漂移的数据集,并使用增量分类器测试它们恢复漂移的能力。结果表明,所有方法在漂移后性能都有所下降,增量支持向量机在准确性和宏 F1 得分方面运行速度最快,恢复了之前的性能水平。
Mar, 2024
我们提出了一种以 Segment Anything(SAM)为导向的双流轻量级模型,用于无监督异常检测(STLM),在工业异常检测中取得了与最先进方法相媲美的性能,并在更困难的数据集上进一步验证了它的有效性和通用性。
Feb, 2024
该论文提出了一种基于特征分类器的不依赖于数据分布或特定应用的无监督增量漂移检测算法,以实现在数据流中可靠地检测和适应概念漂移,并展示了在 6 个漂移诱导数据集和 4 个来自网络安全领域的附加数据集上的实验评估结果,表明该算法与无监督特征漂移检测器相比具有更少的误警,可以信任且适用性广泛。
Mar, 2017
该研究提出了 RESAM,它是一种集成领域专家知识、讨论论坛和正式产品文档的需求过程,用于发现和指定构建有效深度学习异常检测器的时间序列属性的需求和设计定义。以小型无人机飞行控制系统为案例进行了研究,并演示了 RESAM 的使用在构建有效异常检测模型的同时,提供了可解释性的支持。
Jul, 2022
本文提供了对无监督数据流中概念漂移的文献综述,主要关注概念漂移的检测和定位方法,并提供了对各种方法的系统性比较和在真实场景中的使用指南。另外,本文还探讨了解释概念漂移的新兴话题。
Oct, 2023
人工智能的实际应用越来越经常需要处理实际数据的流式特性,考虑到时间因素,这些数据可能会受到周期性和更或多或少混乱的退化现象的影响,从而直接导致概念漂移。本研究提出了一种无监督的并行激活漂移检测器,利用未经训练的神经网络的输出,介绍了其关键设计要素、有关处理属性的直觉以及一系列计算机实验,证明了该方法与现有最先进方法的竞争力。
Apr, 2024