AAAIDec, 2021

连续财务会计数据的无监督异常检测的持续学习

PDF
TL;DR本篇研究提出了一个连续审计的异常检测框架，利用人工智能和深度学习技术，不断从会计记录数据流中学习，克服常规审计的不足之处，并在模拟的审计情景和真实数据集上测试，结果表明该框架可显著减少误判和漏判。
发现论文，激发创造
  • 监控视频异常检测的持续学习

    本研究提出了一种基于转移学习和连续学习的在线异常检测方法，利用神经网络模型的特征提取能力和统计检测方法的连续学习能力，显著减少了训练复杂度，并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制，可应用于监控视频领域。

    Apr, 2020

  • 使用深度自动编码器网络检测大规模会计数据中的异常

    本研究使用深度自编码神经网络进行高效的会计异常检测，实验结果表明，此方法在比基准方法下有更少的误报率且能捕捉高度相关的会计异常。

    Sep, 2017

  • 使用对抗自编码神经网络探测潜空间中的会计异常

    本研究提出了使用对抗自编码网络来检测会计数据中的欺诈行为，该方法可以学习到现实世界会计分录的语义表示，从而提高了检测方法的可解释性和准确性。实验证明该方法的有效性。

    Aug, 2019

  • 揭示一个不断变化的世界中的异常：连续学习中像素级异常检测的基准

    该研究探讨了在连续学习背景下像素级异常检测的问题，实现了多种先进技术，并使用真实世界的图像数据集验证了这些方法在连续学习环境中的适用性。

    Mar, 2024

  • 深度流式正则判别分析的持续学习

    我们提出了流媒体版本的正则判别分析算法，与卷积神经网络结合，证明在 ImageNet ILSVRC-2012 数据集上表现优于批量学习和现有的流媒体学习算法。

    Sep, 2023

  • 一种用于入侵检测的混合深度学习异常检测框架

    本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架，该框架结合了无监督、半监督和监督学习算法，同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。

    Dec, 2022

  • 无监督连续异常检测中的对比学习提示

    无监督的持续异常检测方法 UCAD 通过对比学习的提示来提供无监督异常检测的持续学习能力，并使用基于结构的对比学习 (SCL) 和 Segment Anything Model (SAM) 来改进提示学习和异常分割结果。

    Jan, 2024

  • 使用连续标记的增强方法检测异常

    这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法，将异常检测问题视为监督回归问题，并使用两个可分离连续值分布来标记正常和异常的数据，通过图像增强技术创造出一个独特的异常样本集，并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。

    Jul, 2022

  • 异常检测的终身学习：新挑战、新视角和新洞见

    本文探讨了如何构建面向终身异常检测的基础，提出了终身学习面临的挑战和机遇，明确了终身异常检测的重要性，并提出了一种情景生成方法以进行实验

    Mar, 2023

  • 基于深度学习的结构化网络安全数据流非监督式内部威胁检测

    提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。

    Oct, 2017