WWWJun, 2021

MemStream: 基于内存的流式异常检测

PDF
TL;DR本文提出了 MemStream，一种流异常检测框架，使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势，以应对流式数据中的异常情况和概念漂移，并通过实验结果证明其有效性。
anomaly detectionstreaming dataconcept driftdenoising autoencodermemory module
发现论文，激发创造
  • 流式异常检测

    该论文提出了多种在线算法用于发现动态图和多方面数据流中的异常行为，并探讨了使用记忆模块的自动编码器来处理概念漂移的有效性。

    Jan, 2023

  • 基于自编码器的流式数据异常检测，具有增量学习和概念漂移适应

    本文提出了一种自编码器模型的增量学习方法，并加入了漂移检测，以应对非平稳环境中异常事件的问题。在实验中，我们使用了现实世界和合成数据集进行了实证分析，并进行了对比分析，结果表明该方法明显优于现有的基线和先进方法。

    May, 2023

  • MSTREAM: 多方面流数据快速异常检测

    提出了一个名为 MSTREAM 的流数据多方面异常检测框架，它可以以一种动态的方式检测不寻常的组群异常，其具有在线处理，可以捕捉多个数据方面之间的相关性，并能在多方面数据中检测异常，并在 CICIDS-DDoS 数据集上优于最先进的基线模型。

    Sep, 2020

  • 数据流的自动模型监控

    本文提出了一种自动模型监测系统 SAMM，它使用了时间和空间有效的无监督流算法来检测概念漂移，并自动生成解释，针对骗局检测模型，对 SAMM 系统进行了五个真实数据集的测试并获得了领域专家的验证。

    Aug, 2019

  • 流式异构图快速内存高效异常检测

    StreamSpot 是一种基于聚类的异常检测方法，可以在消耗有限的内存的同时，实时对包含不同节点和边的杂乱图形流进行检测，并可处理超过每秒 100K 条边的数据流。该方法具有良好的性能，并且可以处理从正常浏览器活动到各种攻击情况的各种情况。

    Feb, 2016

  • MEMTO: 多元时间序列异常检测的记忆引导 Transformer

    提出了一种 MEMTO 方法，它是一种使用重构方法的记忆引导 Transformer，用于检测复杂时间依赖性和变量间相关性的实际多元时间序列数据中的异常，通过引入新颖的记忆模块和双维度偏差检测准则，在各领域的五个真实数据集上获得了显著的平均异常检测 F1 得分 95.74％，优于以往最先进的方法。

    Dec, 2023

  • 自监督学习的自适应记忆网络用于无监督异常检测

    本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

    Jan, 2022

  • 学习记忆引导的正常性用于异常检测

    本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

    Mar, 2020

  • 基于概念漂移检测和基于原型的嵌入的图流分类的增量学习

    该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。

    Apr, 2024

  • 基于 SAM 引导的轻量级双流模型用于异常检测

    我们提出了一种以 Segment Anything（SAM）为导向的双流轻量级模型，用于无监督异常检测（STLM），在工业异常检测中取得了与最先进方法相媲美的性能，并在更困难的数据集上进一步验证了它的有效性和通用性。

    Feb, 2024