Jul, 2020

使用负采样进行可解释的多维多模异常检测，用于设备故障检测

PDF
TL;DR提出一种无监督的异常检测方法，利用负采样创建负样本，并利用分类器区分正样本和负样本来查找设备的运行异常，证明负采样方法与神经网络分类器可有效应用于真实气候控制设备的故障预测。
anomaly detectionnegative samplingunsupervised learningclassifierdevice failure
发现论文，激发创造
  • 基于合成负样本的鲁棒学习密集型异常检测

    通过使用正则化流技术生成合成负面样本以及基于信息论准则来检测异常，可以提高密集预测任务中对混乱和异常值的鲁棒性，并在标准基准和数据集上获得最新的性能。

    Dec, 2021

  • 智能卫星物联网系统的异常检测任务

    基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

    Mar, 2024

  • 基于人工和匿名训练的多分类器故障预测模型，确保数据隐私

    本文提出了一种新颖的非侵入式系统故障预测技术，该技术利用开发人员提供的信息和原始日志中的最小信息（而不是挖掘整个日志），并将数 据完全保留在数据所有者的管辖范围内。

    Sep, 2022

  • 基于扩散的故障采样技术对于网络物理系统

    在高维领域中验证安全关键的自主系统（如机器人）是一个重大挑战。我们提出使用条件降噪扩散模型对故障分布进行采样，并经验证在高维机器人验证任务中相比现有的黑盒技术，能够提高采样效率和模态覆盖。

    Jun, 2024

  • 一种用于多模态无线传感器网络数据流的动态图神经网络异常检测新方法

    本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型，通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征，并结合节点的空间位置关系，从而大大提高了鲁棒性和 F1 得分。

    Feb, 2022

  • 多元设备网络中高效基于模式的异常检测

    提出一种可扩展的方法来检测异类行为，包括从关系网络中恢复实体间的关系，基于顺序模式挖掘的异常报告，并扩展顺序模式挖掘以过滤顺序模式。该方法在 9 个基准数据集上表现出显著优势，同时还比最先进的异常检测方法快一个数量级。

    May, 2023

  • 多假设预测的异常检测

    本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。

    Oct, 2018

  • 通过学习合成负数据进行实时密集异常检测

    本文研究基于生成建模或负数据训练的判别方法的密集异常检测方法。提出一种联合训练的生成流，通过在正常分布边缘处采样合成负样本来学习混合方法，并分析训练合成负样本的影响。研究表明，基于能量的密度可以在训练和评估过程中促进模型性能的提升。

    May, 2023

  • 无监督自主检测异常的不良土壤湿度传感器

    本研究利用神经网络结合动态时间扭曲等技术，提出一种基于自我监督的异常传感器检测方法，成功解决了现有方法无法应对未标记、数量庞大的 IoT 数据中 “野传感器” 检测的难题，实现了在农业数据处理等领域中的实际应用。

    May, 2023

  • 简化和加强隐式协同过滤负采样

    本文提出一种简化负采样模型的方法，通过针对设计的内存进行高效采样，解决模型学习中的假阴性问题。在两个合成数据集和三个真实数据集上的实证结果表明，该方法在负采样方面具有鲁棒性和优越性。

    Sep, 2020