能量基础异常检测和定位
本研究提出了深度结构化能量模型,其中能量函数是具有结构的确定性深度神经网络的输出,该模型可以应用于不同类型数据的结构,通过训练算法提高异常检测准确性。
May, 2016
本文研究了使用能量基模型进行 out-of-distribution 检测,并发现能量基模型并未表现出优越性,我们假设能量基模型在学习语义特征方面存在不足,通过实验验证发现监督学习和架构限制能够提高 EBMs 的 OOD 检测能力。
Jul, 2021
本文提出了一种新的方法,通过使用梯度下降法来将异常数据映射到自编码器学习的正常数据流形上,以解决自编码器重建在本地缺陷存在时的分割问题,并通过正则化项在能量函数中引入先验知识来优化投影结果,该方法比传统重建方法在多个异常检测数据集上均取得了最优结果。
Feb, 2020
提出了一种新的基于能量模型 (EBM) 的异常检测方法,利用数据中的低维结构。该算法首先沿着近似训练数据集的低维流形扰动数据点,然后训练 EBM 最大化恢复原始数据的概率。通过从靠近流形的不同分布生成负样本,转化为近似流形的负样本高度信息丰富,反映了数据中相关变化的模式。MPDR 的能量函数有效地学习了训练数据分布的准确边界,并在检测带有不在分布之内的样本时表现出色。实验结果显示 MPDR 在涉及各种数据类型的不同异常检测任务中表现强劲,例如图像、向量和声音信号。
Oct, 2023
该论文通过使用预训练深度分类器的特征空间研究了离群分布(OOD)检测问题,发现使用基于能量模型(EBM)学习内部分布特征的密度可以获得有竞争力的检测结果,并通过能量校正与类条件高斯分布的混合来解决 MCMC 采样非混合化的问题,相较于 CIFAR-10/CIFAR-100 OOD 检测基准上的 KNN 检测器取得了有利的结果。
Mar, 2024
本文提出了一种名为像素能量偏置遗弃学习(PEBAL)的新的异常分割方法,它探索了基于模型的像素级异常类和内点像素分布的能量模型(EBM)的像素级遗弃学习(AL),通过非平凡联合训练 EBM 和 AL,实现了自适应低罚分配,大大提高了实时自驾嵌入式系统的准确性。
Nov, 2021
在具有相互依赖数据的领域中,如图形数据,量化图神经网络 (GNN) 的认知不确定性是具有挑战性的,因为不确定性可以在不同的结构尺度上产生。我们提出了 GEBM,一种能量模型(EBM),通过聚合来自图扩散引起的不同结构级别上的能量,提供高质量的不确定性估计。与基于逻辑的 EBM 不同,我们通过正则化能量函数来在数据空间中引入可积密度。我们引入了我们的 EBM 的证据解释,极大地提高了 GNN 的预测鲁棒性。我们的框架是一个简单有效的事后方法,适用于任何对各种分布转移敏感的预训练 GNN。在 7 种异常类型中,我们在 6 种上实现了最佳的内部分布和外部分布数据分离,并在所有数据集上具有最佳的平均排名。
Jun, 2024
提出了一种部分有监督的深度学习方法,用于视频异常检测和定位,其中使用的仅为正常样本,并且该方法基于使用深度学习训练的高斯混合模型,可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像,同时使用出现和运动异常构建了一个双流网络框架,并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验,结果表明,与现有技术相比,该方法具有卓越的性能。
May, 2018
研究聚焦于利用机器学习技术,使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况,并进一步通过对真实数据集的建模来验证该方法的有效性。
Mar, 2023
本论文介绍了 HEAT 模型,它使用混合能量模型在预训练的主干特征空间中估计 ID 样本密度感知 OOD。该模型在 CIFAR-10,CIFAR-100 和 Imagenet 基准上取得了全新的最佳 OOD 检测结果。
May, 2023