Oct, 2019

无监督基于增强的自编码器集成用于异常检测

PDF
TL;DR提出了一种基于 Boosting 思想的 Autoencoder Ensemble 方法（BAE），它是一种无监督集成方法，利用加权采样来训练自编码器组件，并注入集成的多样性，它在各种条件下均优于现有技术水平的方法。
autoencodersoutlier detectionneural networksunsupervised learningensemble methods
发现论文，激发创造
  • 良性自编码器

    该研究证明了通过压缩数据维度以实现数据表示和压缩的有效性，并提出了一种普遍适用于非凸问题的优化算法（BAE），使得压缩模型输入有利于模型性能，并提出了一种用于计算 BAE 的高效算法，测试表明 BAE 能够提高模型在各类数据中的性能，并提高模型的稳定性和鲁棒性。

    Oct, 2022

  • BAE-NET: 形状协同分割的分支自编码器

    本研究将形状共分割作为表示学习问题，并介绍了 BAE-NET（一种分支自编码器网络），用于解决此任务。BAE-NET 是一种无监督的网络，使用形状重建损失在未分割形状集合上进行训练，该网络的编码器使用卷积神经网络对输入的形状进行编码，而解码器将结果特征码与点坐标连接起来，并输出一个指示该点是否在形状内 / 外的值。重要的是，解码器是分支式的：每个分支都学习形状集合中常见部分的紧凑表示。通过将形状重建损失与标签损失结合使用，BAE-NET 可以轻松进行单次学习。我们展示了 BAE-NET 的无监督、弱监督和单次学习结果，证明仅使用少量范例，我们的网络通常可以胜过在数百个分割形状上训练的最先进监督方法。

    Mar, 2019

  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 用自编码器二分类器实现有监督的异常检测

    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。

    Mar, 2019

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 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

  • 自编码器辅助的特征集成网络用于潜在故障

    利用深度自动编码器辅助特征集成网络（AE-FENet），改善了对微小振幅初始故障的检测性能，实现了在 Tennessee Eastman 工艺中所发现的故障 3、9 和 15 的高准确率，从而在故障检测领域取得了显著的性能提升。

    Apr, 2024

  • 文本异常检测的鲁棒自编码器集成方法

    通过引入鲁棒自编码器集成方法，优化原始数据编码嵌入的局部鲁棒子空间恢复，利用 k 近邻的几何属性来优化子空间恢复，检测文本数据中的异常模式。通过实验设置以及详尽的实验结果评估表明，该鲁棒自编码器集成方法在检测独立异常和情境异常时具有高效性、稳健性和性能优势。

    May, 2024

  • 训练去噪自编码器以最小化二进制交叉熵

    本文理论证明了用 BCE 训练的 DAE 能够在数据空间中向高概率区域梯度下降，进而在实验中通过噪声数据生成和对初始数据的迭代应用 DAE 进行数据向高概率区域的改进。

    Aug, 2017

  • 分形自编码器用于特征选择

    本研究提出了一种创新的无监督特征选择框架 —— 分形自编码器 (FAE)，它通过训练神经网络来精确定位全局取代能力和局部多样性的信息特征，具有显著优势，可在 14 个数据集上验证，特别是在基因表达数据探索方面可将测量成本降低约 15%，比现有的同类方法性能更优。

    Oct, 2020