Oct, 2019

IT 运维序列预测与异常检测联合模型

PDF
TL;DR本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。
it system monitoringpredictor & anomaly detectorvariational auto-encoderlong short-term memoryspectral residual analysis
发现论文，激发创造
  • 基于 LSTM 变分自编码器的机器人辅助喂养多模态异常检测器

    本研究使用多模态传感信号来检测辅助操纵中的异常执行，提出了一种基于 LSTM-VAE 的异常检测器，评估结果显示该检测器在执行过程中比其他 5 种基准检测器表现更佳。

    Nov, 2017

  • 使用卷积 VRNN 进行未来帧预测的异常检测

    本研究提出了一种基于生成模型和 ConvLSTM 的新型顺序生成模型，用于预测未来视频帧，并在异常检测框架中考虑时间信息，实验表明，该方法在三个基准数据集上优于现有最先进方法。

    Sep, 2019

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 使用 LSTM 模块和 KL 散度改进的 AutoEncoder

    本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器（IAE-LSTM-KL）模型，通过添加 LSTM 网络来记忆正常数据的特征表示，并通过 KL 散度对特征输入到 SVDD 模块进行惩罚，从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明，IAE-LSTM-KL 模型在异常检测方面具有更高的准确性，并且对数据集中的异常点污染也具有增强的鲁棒性。

    Apr, 2024

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 时间序列无监督异常检测的降噪架构

    通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。

    Aug, 2022

  • 重温 VAE 的无监督时间序列异常检测：一种频率视角

    我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

    Feb, 2024

  • 具有变分自编码器的快速基于粒子的异常检测算法

    我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

    Nov, 2023

  • 基于 LSTM 的编码器 - 解码器多传感器异常检测

    使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。

    Jul, 2016

  • 变分自编码器在视频视觉异常检测中的应用

    本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

    Mar, 2022