深度对比单类时间序列异常检测
针对时间数据中的异常检测问题,提出了一种新的方法,借鉴了 DeepSVDD 的损失函数,结合了 Neutral AD 的确定性对比损失,提高了在实际工业数据集中的性能表现。
Apr, 2023
本文提出了一种新颖的单类学习方法,称为校准的单类分类,用于解决训练数据中未知异常数据的影响并提高数据正常行为的建模,实现对时序异常数据的监控和警报。经过对六个真实世界数据集的广泛实验,表明该模型显著优于十二个现有的竞争对手,并获得 6%-31%的 F1 分数提高。
Jul, 2022
我们提出了一种自监督异常检测方法,结合对比学习和 2D-Flow,以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比,我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度,整个训练和推理过程都是端到端的。
Nov, 2023
该研究论文提出了一种名为 ToCoAD 的两阶段训练策略,通过使用合成异常来训练判别网络,在第二阶段中使用该网络提供负面特征引导,通过自举对比学习来训练特征提取器,从而解决了当前无监督异常检测方法在特定异常类型上的困难,提高了对工业数据集中各种异常类型的泛化能力。大量实验表明,该训练策略的效果显著,该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21%、98.43%和 97.70%。
Jul, 2024
在本研究中,我们提出了一种新的方法来解决少样本异常检测(FSAD)的挑战,该方法包括使用预先训练的模型初始化权重,采用对比性训练来优化少样本领域数据,以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估,以展示所提方法的有效性。
Feb, 2024
本文提出一种新的深度异常检测方法,利用预训练的表示在外部数据集上进行对比学习,并基于分析提出改进的对比学习目标函数 Mean-Shifted Contrastive Loss,该方法可以显著提高异常检测性能。实验结果表明,与现有方法相比,在 CIFAR-10 数据集上实现了 98.6%的 ROC-AUC 表现,达到了最新的技术水平。
Jun, 2021
针对非监督时间序列异常检测研究中的 ' 新常态问题 ',本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略,通过在推理过程中学习新的常态性,从而提高异常检测器的性能并增强对分布变化的鲁棒性。
Dec, 2023
多元时间序列异常检测研究中,我们提出了一种自我监督的分层对比一致性学习方法(HCL-MTSAD),通过在工业 MTS 中利用多个潜在层级的数据一致性,系统地捕捉相关的关联,进而提高异常检测的能力。
Apr, 2024
本文提出了一种基于自我监督学习方法的特定任务变体对比学习称为 “遮蔽对比学习”,其更适用于异常检测,并提出了一种自我集成推断方法,通过利用辅助自我监督任务学习的能力进一步提高模型性能,在各种基准数据集上的表现显著超过以往的最先进方法。
May, 2021
基于时间序列数据的异常检测是识别故障、故障、威胁和异常值的关键,该研究提出了 Distribution-Augmented Contrastive Reconstruction (DACR) 以改进深度学习技术在复杂和高度动态的实际场景中的应用,实验证明 DACR 在各种异常检测方案中达到了最新的最佳状态。
Jan, 2024