Aug, 2020

多尺度单类循环神经网络用于离散事件序列异常检测

PDF
TL;DR本文介绍了一种用于检测离散事件序列中异常的多尺度单类循环神经网络模型，该模型将事件序列嵌入到潜在空间中进行检测，并利用多尺度的循环神经网络框架同时捕获不同级别的顺序模式。实验结果表明，该模型在三个基准数据集上均优于各种代表性基线，并验证了捕获多尺度顺序模式对事件异常检测的重要性。
anomaly detectiondiscrete event sequencesrecurrent neural networksmulti-scale rnnsequential patterns
发现论文，激发创造
  • 多元时间序列数据非监督异常检测和诊断的深度神经网络

    该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

    Nov, 2018

  • 使用单类神经网络进行异常检测

    本文提出了一种一类神经网络（OC-NN）模型，该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标，从而可以检测复杂数据集中的异常值，实验证明该方法表现良好。

    Feb, 2018

  • 离散事件，连续时间的循环神经网络

    本文研究了用于事件序列处理的循环神经网络架构，描述了四种归纳偏差的形式，介绍了一种连续时间 GRU，并将这些偏差通过内在时间动态和事件时间戳扩展到 GRU 中，最终指出集成连续时间动态的神经网络架构具有潜在优势。

    Oct, 2017

  • LSTM 神经网络进行无监督和半监督异常检测

    本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提供了半监督和全监督框架的扩展，取得了显著的性能提升。

    Oct, 2017

  • 利用多标签多任务卷积循环神经网络统一独立和重叠音频事件检测

    论文提出了一种基于卷积循环神经网络的多标签多任务框架，可以同时检测单个和重叠音频事件，并具备有效的特征提取、事件分类和边界定位能力，并使用三个不同的序列损失函数对网络进行训练，在两个数据集上的实验结果表明模型具有良好的泛化性能。

    Nov, 2018

  • 使用序列到序列神经网络进行工业控制系统的异常检测

    本研究提出了一种工业控制系统（ICS）操作数据的异常检测方法，采用序列到序列的神经网络进行训练与预测，解读其时间序列特征。该方法仅需要正常数据集，即可了解 ICS 的正常状态并检测异常。使用 SWaT 数据集进行评估，并检测出了 36 次攻击中的 29 次和 53 个攻击点中的 25 个，对实验结果的误警与漏警进行了详细分析。

    Nov, 2019

  • 卷积循环神经网络用于多声事件检测

    本研究利用卷积神经网络 (CNN) 和循环神经网络 (RNN) 实现了声音事件监测，取得了比之前方法显著的效果提升。

    Feb, 2017

  • 利用前向 - 后向循环神经网络进行事件要素检测

    本文利用正向 - 反向循环神经网络（FBRNNs）来检测事件（无论是单词还是短语形式），并与现有方法在 ACE 2005 以及 Rich ERE 2015 中呈竞争态势。

    Feb, 2018

  • 具有序列、半监督离散变量的事件表示

    该论文在事件建模和理解的背景下，提出了一种新的神经序列建模方法，该方法考虑了离散的、部分被观察到的外部知识序列。通过构建一个顺序神经变分自编码器，在精心定义的编码器中使用 Gumbel-Softmax 重参数化技术，允许半监督的外部离散知识在训练期间指导但不限制变分潜在参数。实验表明，该方法不仅优于多个基线和叙事脚本归纳的最新技术，而且收敛速度更快。

    Oct, 2020

  • 利用时序感知神经序列模型进行系统辨识

    本文介绍了一种基于时间的递归神经网络扩展模型，使其适用于不均匀采样的连续变量观测数据，并展示了该模型在两种工业输入 / 输出过程的样本中的有效性。

    Nov, 2019