使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建,使用重构误差检测异常,实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。
Jul, 2016
本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法,可以识别 DDoS 攻击的深层模式并获得高精度的检测结果,尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。
Apr, 2023
本文提出了一种名为 AF-CA 的无注意力条件自编码器,其结合去噪技术和 Attention-Free LSTM 层,可实现时序中的异常检测,结果表明与传统的 LSTM 自编码器相比,该模型能更可靠地检测到嘈杂时间序列中的异常点并更好地解释它们。
本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能,讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。
Mar, 2022
本研究提出了预测器和异常检测器联合模型,使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题,并通过实验证明了其优越性。
Oct, 2019
本文提出了一种新的损失因果时间卷积神经网络自编码器来进行异常检测,其使用速率 - 失真损失和熵瓶颈来学习压缩编码的潜在表示,有助于实现更实际的无监督异常检测方案。
Dec, 2022
本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器(IAE-LSTM-KL)模型,通过添加 LSTM 网络来记忆正常数据的特征表示,并通过 KL 散度对特征输入到 SVDD 模块进行惩罚,从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明,IAE-LSTM-KL 模型在异常检测方面具有更高的准确性,并且对数据集中的异常点污染也具有增强的鲁棒性。
Apr, 2024
无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务,本文提出了一个简单而有效的架构,在异常检测中取得了更准确和鲁棒的定位结果。
May, 2024
本文提出一种基于序列编码器和解码器的,利用前后向时间信息学习双向动态的无监督异常检测方法,通过对正常样本状态空间的正则化和使用马氏距离评估异常等级,实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。
Mar, 2023
该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型,用于在多元时间序列数据中执行异常检测和诊断,并且在合成数据集和实际电厂数据集上进行了广泛的实证研究,证明 MSCRED 可以优于现有的基线方法。
Nov, 2018