Oct, 2022

DEGAN：使用生成式对抗网络鉴别器和密度估计的时间序列异常检测

PDF
TL;DR本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。
time seriesanomaly detectiongenerative adversarial networkunsupervised learningkernel density estimation
发现论文，激发创造
  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • TadGAN: 使用生成对抗网络进行时间序列异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络（LSTM）作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性，并通过循环一致性损失进行训练，以实现有效的时间序列数据重构。此外，该方法还提出了计算重构误差的几种新方法，以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常，并在大多数情况下（11 个数据集中的 6 个）胜过基线方法。

    Sep, 2020

  • 发电厂中的异常检测与生成对抗网络

    使用生成对抗网络（GANs）进行电力发电厂异常检测的研究表明，GANs 在有效的异常检测方面表现出色，特别适用于使用大型数据集。

    Sep, 2023

  • TAnoGAN：基于生成对抗网络的时间序列异常检测

    本文提出了一种用于时序数据异常检测的基于生成对抗神经网络的无监督方法 TAnoGan，实验结果表明其比传统及神经网络模型表现更好。

    Aug, 2020

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • 用 GAN 集成方法进行异常检测

    使用生成对抗网络集成的方法提高无监督学习下的异常检测性能，通过实验验证集成的优越性。

    Dec, 2020

  • 高效基于 GAN 的异常检测

    使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。

    Feb, 2018

  • TSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测

    本研究提出 TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型 GAN 进行训练，以及后处理中应用 Hodrick-Prescott 过滤器来缓解假阳性问题，最终实验表明，与 8 种基准方法相比，TSI-GAN 具有明显的性能优势。

    Mar, 2023

  • Fence GAN: 更好的异常检测

    本研究介绍了一种用于检测高维异常数据的方法 ——Fence GAN，它通过修正基于生成式对抗网络（GAN）的损失函数，将生成的样本限制在真实数据分布的边界上，并且将判别器的评分直接用作异常阈值，实验结果表明，与现有方法相比，Fence GAN 可以获得最好的异常分类准确性。

    Apr, 2019

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023