KDDJun, 2022

针对复杂演变数据流的在线深度异常检测的自适应模型汇聚

PDF
TL;DR该研究提出了一种名为 ARCUS 的在线深度异常检测框架，它使用自适应模型池方法和两个新技术：概念驱动推理和漂移感知模型池更新来处理来自物联网设备和云基础架构的复杂和不断演化的数据流，并在实验中证明其在高维和概念漂移数据集上提高了最先进的自编码器方法和流式异常检测方法的检测准确性。
发现论文，激发创造
  • 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

  • 分层边缘计算中的物联网数据自适应异常检测

    提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

    Jan, 2020

  • 基于在线演化脉冲神经网络的流数据无监督异常检测

    提出了一种在线演化脉冲神经网络（OeSNN）的无监督异常检测算法，该算法使用了新的两步检测方法和 OeSNN 的神经元模型和输入层编码的新理论属性，通过在 Numenta Anomaly Benchmark 和 Yahoo Anomaly Datasets 存储库中的流数据上进行实验比较，表明该方法相对于文献中提出的其他解决方案在检测异常值方面更加高效和有竞争力。

    Dec, 2019

  • 基于动态阈值的卷积自编码器实时异常检测

    创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

    Apr, 2024

  • 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

  • 卷积自编码器在视频异常检测中的深度学习方法

    我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

    Nov, 2023

  • 动态局部聚合网络与适应聚类器的异常检测

    本研究提出了一种使用自适应聚类器的动态局部聚合网络（DLAN-AC）用于异常检测，通过学习和聚合高级特征来获取更具代表性的原型，并自动消除不贡献于原型构建的特征聚类，实验证明 DLAN-AC 优于大多数现有方法。

    Jul, 2022

  • MemStream: 基于内存的流式异常检测

    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。

    Jun, 2021

  • 动态过程限制的实时离群值检测

    本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

    Jan, 2023

  • RUAD: 针对 HPC 系统的无监督异常检测

    该研究提出了一种基于长短期记忆单元的 RUAD 模型来解决高性能计算系统中异常检测的无监督学习问题，该模型通过考虑数据中的时间依赖性显著提高了半监督和无监督状态下的 AUC 性能表现。

    Aug, 2022