ICLRApr, 2021

提高城市气象污染预测的对抗自编码器和对抗 LSTM

PDF
TL;DR本文利用深度学习中的对抗训练方法，尤其是 PCA-based 对抗自编码器和 LSTM 网络的方法，提高了城市空气污染 CFD 模拟的预报精度。
发现论文，激发创造
  • 压缩卷积 LSTM：一种高效的深度学习框架，用于模拟高保真度的三维湍流

    提出了一种新的训练方法，用于减少维数和建模三维湍流的时空动力学，利用卷积自编码器和卷积 LSTM 神经网络组合，通过严格的基于物理的统计测试评估了湍流场的质量，并表明这种训练方法在计算资源开销的小部分情况下，生成了具有物理一致性的湍流场。

    Feb, 2019

  • 基于重构的 LSTM 自编码器用于多变量时间序列数据的异常 DDoS 攻击检测

    本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法，可以识别 DDoS 攻击的深层模式并获得高精度的检测结果，尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。

    Apr, 2023

  • 利用神经网络集合模型的非定常流体流动简化建模

    本文提出了一种完全数据驱动的 ROM 框架，该框架使用 CAEs 对全序模型进行空间重建，并使用 LSTM 集成进行时间序列预测，在两个非稳态流体动力学问题上的应用结果表明，所提出的框架能够有效减小误差传播，使得在未知点上对潜在变量的时间序列预测更加准确。

    Feb, 2024

  • 一个用于电力分配网络中的网络攻击检测的无监督对抗自动编码器

    本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

    Mar, 2024

  • 使用 LSTM 模块和 KL 散度改进的 AutoEncoder

    本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器（IAE-LSTM-KL）模型，通过添加 LSTM 网络来记忆正常数据的特征表示，并通过 KL 散度对特征输入到 SVDD 模块进行惩罚，从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明，IAE-LSTM-KL 模型在异常检测方面具有更高的准确性，并且对数据集中的异常点污染也具有增强的鲁棒性。

    Apr, 2024

  • 基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习

    基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

    Mar, 2024

  • IT 运维序列预测与异常检测联合模型

    本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。

    Oct, 2019

  • 利用自编码器和生成对抗网络的协同框架合成气动学中翼型气动力学计算流体力学结果

    本研究将自动编码器和生成对抗网络相结合，以生成计算流体动力学结果。研究结果表明该方法具有潜在能力，可降低空气动力学预测的时间和成本，为计算流体动力学中的计算技术的进一步提高和改进提供可能性。

    May, 2023

  • 时间序列无监督异常检测的降噪架构

    通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。

    Aug, 2022

  • 多变量对抗时间序列预测模型

    研究论文通过提出多变量对抗时间序列预测模型来解决工业企业电力系统预测的问题，实验结果显示该方法能够更准确地预测工业企业的电力消耗。

    Jun, 2024