Aug, 2022

基于表示学习的去噪填充自编码器实现可解释的反应堆系统诊断

PDF
TL;DR本文提出了一种基于深度学习理论的诊断过程，该过程确保了对于嘈杂和损坏的数据的鲁棒性和可解释性，并采用新型的去噪填充自编码器（DPAE）进行了表示提取，以及浅层统计学习算法进行了后续的表示提取和异常诊断分类和回归，最后通过 SHAP 和特征消融等方法分层解释算法，为高安全要求的反应堆异常诊断系统的构建提供了可靠的参考方法。
gen iii nuclear reactorsdeep learningdiagnosisdpaeinterpretable
发现论文，激发创造
  • 打开黑匣子：利用建筑物理学洞察实现内在可解释的能源数据填补模型

    建筑能源建模中经常观察到的缺失数据需要用先进的数据驱动解决方案来反映这些异常的非线性行为。本文提出了在商业建筑中使用基于物理信息的去噪自编码器 (PI-DAE) 进行缺失数据填补的方法，并通过引入物理知识到网络中实现了更可解释的预测，从而促进了该方法的实际应用。

    Nov, 2023

  • 自主深度学习：基于去噪自编码器的增量式学习，处理流动数据

    该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN，并以单次学习为基础的方法，通过网络重要性估计来自动添加或修剪输入特征，从而提高分类精度并适应不断变化的环境。

    Sep, 2018

  • 利用去噪自编码器进行对抗净化

    该研究提出了一种名为 APuDAE 的深度学习框架，利用去噪自编码器（DAE）以自适应方式净化样本，并提高目标分类器网络的分类准确度并使其更加鲁棒。

    Aug, 2022

  • 预训练扩散概率模型中的无监督表征学习

    本文提出了一种基于现有预训练 DPM 模型的图像重建通用方法 PDAE，实现了比 Diff-AE 更好的训练效率和性能，并通过对分类器引导采样的机制填补信息缺失的空隙，使编码器对图像进行更好的重建，表现出了较高的有效性、效率和灵活性。

    Dec, 2022

  • 利用自编码器方法检测虚假数据注入攻击

    本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

    Mar, 2020

  • 基于降噪自编码器的防御蒸馏作为对抗鲁棒性算法

    本文提出了一种结合了防御蒸馏机制和去噪自动编码器（DAE）的新方法，旨在通过识别和重构有毒的对抗性输入来降低蒸馏模型对毒性攻击的敏感性从而防御深度神经网络 (DNNs) 的对抗性攻击。实验结果表明，该方法成功地识别和重构了有毒的输入，同时也增强了 DNN 的韧性，为各种数据暴露风险问题所困扰的应用提供了强大和稳健的防御机制。

    Mar, 2023

  • 自编码器辅助的特征集成网络用于潜在故障

    利用深度自动编码器辅助特征集成网络（AE-FENet），改善了对微小振幅初始故障的检测性能，实现了在 Tennessee Eastman 工艺中所发现的故障 3、9 和 15 的高准确率，从而在故障检测领域取得了显著的性能提升。

    Apr, 2024

  • 动力发电厂异常检测中的标签辅助自编码器

    提出了基于标签辅助的自动编码器模型用于发现发电厂燃料消耗的异常，检测准确率为 97.20％，可以根据程度对异常进行分类，相较于已有模型较优。

    Feb, 2023

  • 用于工业网络物理系统中稳健、基于物理的网络攻击识别的变分自编码器框架

    基于数据驱动的框架，结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN)，用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究，我们评估了该方法的性能，并与传统基于模型的方法进行比较，以展示其适用性和效力。

    Oct, 2023

  • 面板自编码器用于图像异常检测

    无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。

    Aug, 2023