本研究探讨异常检测在图像领域的深度学习方法,通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较,发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
本研究调查了基于 GAN 的异常检测方法,评价了其优缺点,并在不同数据集上实验证明了主要的 GAN 模型的性能。同时,提供了一个完整的开源工具箱来使用 GAN 进行异常检测。
Jun, 2019
本文提出了一种基于数据增强的半监督学习方法 AugAN,用于解决现有半监督图异常检测方法的泛化问题,并进一步提高模型的泛化能力,从而有效检测训练和测试数据中存在的异常。
Jun, 2023
提出了用于解决图异常检测中普适性问题的数据增强方法,并验证了其提高 GAD 模型通用性的有效性。
Sep, 2022
该研究提出了一种基于对抗生成的异常检测方法(AGAD),该方法利用大规模正常数据生成上下文对抗信息生成伪异常数据,解决了异常数据获取困难的问题,显著提高了半监督和有限监督情况下的检测准确率。
Apr, 2023
通过将 AnoGAN 的原理应用于表格数据,本研究在异常检测领域做出了新的贡献,并在检测以前无法检测到的异常方面取得了有希望的进展。
May, 2024
通过综述研究,探究了在复杂数据集中深度学习方法在异常检测中的应用,分析了常见方法的共性原理、常见假设以及经验评估,并提出了对未来研究的挑战和方向。
Sep, 2020
使用生成对抗网络(GANs)进行异常检测,取得了图像和网络入侵数据集方面的最新性能,并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。
Feb, 2018
本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法,包括在不同场景下的无监督和(半)监督方法,以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性,并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外,作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用,并讨论了该领域的理论和实践挑战。
Apr, 2014
利用自监督学习针对文本语料库制定预文本任务的方法,根据最新研究成果,大幅提高了半监督和无监督异常检测的效果,并证明了自监督异常检测在自然语言处理领域中的潜力。
Dec, 2023