TAnoGAN:基于生成对抗网络的时间序列异常检测
本文提出了一种基于生成对抗网络(GANs)的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络(LSTM)作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性,并通过循环一致性损失进行训练,以实现有效的时间序列数据重构。此外,该方法还提出了计算重构误差的几种新方法,以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常,并在大多数情况下(11 个数据集中的 6 个)胜过基线方法。
Sep, 2020
本研究提出 TSI-GAN,一种用于时序数据的无监督异常检测模型,可以自动学习复杂的时间模式并广义于不同数据集,通过将每个输入时间序列转换为二维图像序列,并使用具有逆映射准确性的重建型 GAN 进行训练,以及后处理中应用 Hodrick-Prescott 过滤器来缓解假阳性问题,最终实验表明,与 8 种基准方法相比,TSI-GAN 具有明显的性能优势。
Mar, 2023
在时间序列数据中,我们提出了一种名为调整 LSTM GAN(ALGAN)的新型生成对抗网络(GAN)模型,它能够调整 LSTM 网络的输出以提高无监督设置下单变量和多变量时间序列数据的异常检测性能。通过对 46 个真实世界的单变量时间序列数据集和一个涵盖多个领域的大型多变量数据集进行实验,我们证明 ALGAN 在时间序列数据的异常检测方面优于传统的基于神经网络和其他基于 GAN 的方法。
Aug, 2023
本文提出了一种基于生成对抗网络(GANs)的无监督多变量异常检测方法(MAD-GAN),并在 SWaT 和 WADI 数据集上进行了实验,结果表明该方法能够有效地检测这些系统中各种形式的入侵。
Jan, 2019
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
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
利用生成对抗网络(GAN)进行复杂的网络型智能物理系统的异常检测,通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为,针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。
Sep, 2018
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