Jan, 2020

基于密度估计的异常检测

PDF
TL;DR使用神经密度估计的新型无监督异常检测技术 ANODE，在区分信号区域和旁带处估计概率密度，并将旁带差值插值到信号区域，构建数据对背景的似然比，从而对局部异常的过密度进行广泛敏感。在 LHC 2020 奥林匹克研发数据集上进行实验证明，相对于其他方法，ANODE 对信号区域和旁带之间的系统差异具有更广泛的适用性，可以将 dijet 波峰探测的显著性提高多达 7 倍，在背景预测准确率为 10％时。虽然 LHC 被用作反复的示例，但此处开发的方法在物理和其他领域的异常检测中具有广泛的适用性。
neural density estimationunsupervised anomaly detectionlikelihood ratiobackground estimationlhc olympics
发现论文，激发创造
  • 剩余阳极

    R-ANODE 是一种新的数据驱动，模型无关的共振异常检测方法，通过直接拟合信号组成的小且未知信号部分的标准化流，以及通过从边带学习得到的背景模型（也是标准化流）的固定，提升了异常检测任务的归纳偏好。它能够表现优于所有基于分类器的、弱监督的方法，以及先前的 ANODE 方法，该方法将密度估计器拟合到信号区域中的所有数据而不只是信号。我们展示了该方法是否能够学习到未知信号比例或固定的未知信号比例都能够很好地运行，并且即使信号比例的规定可能存在错误，它也具有鲁棒性。最后，通过学习到的信号模型，我们可以进行采样并获得对潜在异常的定性洞察力，这极大地增强了共振异常检测的可解释性，并为在数据中同时发现和表征新物理提供了可能性。

    Dec, 2023

  • AnoDODE: 扩散 ODE 的异常检测

    基于扩散 ODE 的多尺度医学图像特征密度估计的异常检测方法，通过负对数似然度量特征的异常得分，并提供图像和像素级别的可解释性，其在 BraTS2021 医学数据集上的实验证实了方法的有效性和鲁棒性。

    Oct, 2023

  • 动态异常监测：通过稀疏和低秩追踪网络异常

    构建了一种在线估计的网络异常映射方法，该方法基于 exponentially-weighted 的最小二乘准则和物流矩阵的核范数，可在实时动态环境下追踪网络流量异常，进而提高网络质量和保障网络安全。

    Aug, 2012

  • LEAN-DMKDE: 用于异常检测的量子潜在密度估计

    本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。

    Nov, 2022

  • 方差稳定密度估计的异常检测

    通过将正常样本的密度函数假设为在某些紧凑区域内是均匀的，减小方差放宽了对于特定数据的超参数调节要求，提出了基于改进密度估计的异常检测方案，并设计了一个方差稳定的密度估计问题，然后使用自回归模型学习了方差稳定分布，最后在 52 个数据集的广泛基准测试中表现出了最新的结果。

    Jun, 2023

  • 基于物理学基础的群体异常检测方法及数据集的新研究

    本文介绍了无监督群体异常检测成为寻找新粒子和力量的新前沿，提出了一种现实的综合基准数据集（LHCO2020）以用于群体异常检测算法的开发，并比较了几种现有的统计学算法在 LHCO2020 数据集上的表现。

    Jul, 2021

  • 循环神经网络异常检测

    本研究利用基于强大的循环神经网络的新颖性检测方法，提高了对高复杂度多用户无线电频段中小异常的检测能力，并在多个常见真实的空中无线电通信频段上进行了实证研究，比较了检测性能。

    Nov, 2016

  • 基于多背景表示学习的粒子物理强韧异常检测

    使用多个背景类型的表示学习构建检测算法以改善异常检测，同时推广多背景设置中的相关性，以更完整地定义鲁棒性，从而在大型强子对撞机的粒子衰变高维数据集上展示了这种算法的好处。

    Jan, 2024

  • DEGAN：使用生成式对抗网络鉴别器和密度估计的时间序列异常检测

    本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。

    Oct, 2022

  • 高维度和置换不变异常检测

    本文提出了一种基于扩散模型的置换不变密度估计器，特别是为了应对具有可变长度输入的物理数据，这种方法在感知不变性和可变长度输入方面具有优势，在异常探测领域具有良好的效果。

    Jun, 2023