ICLRFeb, 2022

用图增强的规范化流对多时间序列进行异常检测

PDF
TL;DR本研究提出一种结合贝叶斯网络与正则化流算法的 GANF 方法，用于多时间序列数据的异常检测和密度估计。实验证明该方法在时间序列密度估计、异常检测和检测数据时序漂移等方面具有较高的有效性。
anomaly detectionmultiple time seriesnormalizing flowsbayesian networkganf
发现论文，激发创造
  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 使用零已知标签检测多元时间序列异常

    本研究提出了 MTGFlow，这是一种基于无监督学习的多元时间序列异常检测方法，通过动态图和实体感知归一化流实现。通过学习实体之间的互动关系以及实体本身的特征，MTGFlow 在超过七个基线模型的五个公共数据集上取得了 5.0 AUROC\% 的性能提升。

    Aug, 2022

  • 无标签多元时间序列异常检测

    MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体的共同性进行聚类策略，实现更精确和详细的密度估计。

    Dec, 2023

  • FANFOLD: 基于图归一化流的非监督图级异常检测的不对称网络

    我们提出了一种利用图归一化流驱动的非对称网络进行无监督图级异常检测的方法（FANFOLD）。在训练阶段，FANFOLD 将正常图的原始分布转换为标准正态分布；在推理阶段，FANFOLD 使用源 - 目标损失计算异常分数来区分正常图和异常图，并通过在源网络上应用图归一化流实现了非对称网络。我们在不同领域的 15 个数据集上对 FANFOLD 进行了大量实验证明其优越性。

    Jun, 2024

  • 图形正态流

    本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

    Jun, 2020

  • 图形规范化流

    本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

    May, 2019

  • 层次高斯混合正态流模型用于统一异常检测

    该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

    Mar, 2024

  • FastFlow: 基于二维正则化流的无监督异常检测和定位

    本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

    Nov, 2021

  • 量子归一化流用于异常检测

    量子架构中采用正态流进行异常检测并展现出具有竞争力的性能表现。

    Feb, 2024

  • 双向归一化流用于异常流量检测的半监督学习

    利用正常流量，我们提出了一个基于三阶段异常网络流量检测的框架，该框架可以生成伪异常样本，无需先验知识即可检测异常数据，通过深度表示学习、标准化和噪声添加等步骤实现。该方法在公共基准数据集上取得了最先进的结果。

    Mar, 2024