基于在线演化脉冲神经网络的流数据无监督异常检测

Dec, 2019

基于在线演化脉冲神经网络的流数据无监督异常检测

Unsupervised Anomaly Detection in Stream Data with Online Evolving Spiking Neural Networks

Piotr S. Maciąg, Marzena Kryszkiewicz, Robert Bembenik, Jesus L. Lobo, Javier Del Ser

TL;DR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。

Abstract

Unsupervised anomaly discovery in stream data is a research topic with many practical applications. However, in many cases, it is not easy to collect enough training data with labeled anomalies for supervised learning of an anomaly detector in order to deploy it later for identificatio

unsupervised anomaly detection online evolving spiking neural network (oesnn)stream data neural network anomaly detection method

发现论文，激发创造

一种新颖的可解释的脉冲神经网络溯源检测方法

本文提出了一种新型的 OoD 检测器，采用脉冲数模式来表征神经网络中隐藏层的内部激活，以检测输入实例是否属于训练数据的分布，其性能与相关方案相比具有竞争力，并且能够生成符合预期的相关性说明图。

Sep, 2022

基于自编码器的流式数据异常检测，具有增量学习和概念漂移适应

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

SLADE: 通过自监督学习在边缘流中无标签地检测动态异常

我们提出了 SLADE (Self-supervised Learning for Anomaly Detection in Edge Streams) 方法，用于在边缘流中快速检测动态异常，无需依赖标签，并通过观察节点交互模式的偏离来检测节点进入异常状态的变化。在四个真实世界数据集上的动态异常检测中，SLADE 优于九种竞争方法，甚至那些利用标签监督的方法。

Feb, 2024

朝着节约的无监督医学图像微细异常检测

医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

Sep, 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

睡眠分析和在线选择性异常检测

介绍了一种新问题：在线选择性异常检测（OSAD）用于模拟对睡眠科学的研究。这种方法结合了机器学习和控制理论技术，可以很好地检测和触发警报，针对非 SS 异常而言，从数据结果来看非常有效。

Mar, 2014

一种基于神经网络的边缘设备本地学习异常检测器

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。

Jul, 2019

脉冲神经网络与在线学习：概述与展望

本研究综述了脉冲神经网络在在线学习场景中的应用，特别是在非平稳环境和数据漂移发生时的优势。

Jul, 2019

针对复杂演变数据流的在线深度异常检测的自适应模型汇聚

该研究提出了一种名为 ARCUS 的在线深度异常检测框架，它使用自适应模型池方法和两个新技术：概念驱动推理和漂移感知模型池更新来处理来自物联网设备和云基础架构的复杂和不断演化的数据流，并在实验中证明其在高维和概念漂移数据集上提高了最先进的自编码器方法和流式异常检测方法的检测准确性。

Jun, 2022

SAD：动态图形半监督异常检测

本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

May, 2023