Nov, 2022

LEAN-DMKDE: 用于异常检测的量子潜在密度估计

PDF
TL;DR本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。
发现论文，激发创造
  • 深度相关性感知的核化自编码器在网络安全中的异常检测

    本文提出了一种利用鲁棒的马哈拉诺比斯距离度量潜在维度相关性的基于核心自动编码器的异常检测方法来有效检测近距离和远距离异常值的方法。

    Jan, 2023

  • 方差稳定密度估计的异常检测

    通过将正常样本的密度函数假设为在某些紧凑区域内是均匀的，减小方差放宽了对于特定数据的超参数调节要求，提出了基于改进密度估计的异常检测方案，并设计了一个方差稳定的密度估计问题，然后使用自回归模型学习了方差稳定分布，最后在 52 个数据集的广泛基准测试中表现出了最新的结果。

    Jun, 2023

  • 潜空间自回归用于新颖性检测

    设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。

    Jul, 2018

  • 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

    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。

    Oct, 2022

  • 光网络实时异常检测的机器学习

    本研究提出使用编码器 - 解码器深度学习模型，结合实时质量传输观测信息进行软故障演化模拟，用于网络攻击等异常检测。该模型在无需标记异常情况和分析整个数据集缺陷的前提下，实时有效地检测网络异常波动。

    Jun, 2023

  • 基于密度估计的异常检测

    使用神经密度估计的新型无监督异常检测技术 ANODE，在区分信号区域和旁带处估计概率密度，并将旁带差值插值到信号区域，构建数据对背景的似然比，从而对局部异常的过密度进行广泛敏感。在 LHC 2020 奥林匹克研发数据集上进行实验证明，相对于其他方法，ANODE 对信号区域和旁带之间的系统差异具有更广泛的适用性，可以将 dijet 波峰探测的显著性提高多达 7 倍，在背景预测准确率为 10％时。虽然 LHC 被用作反复的示例，但此处开发的方法在物理和其他领域的异常检测中具有广泛的适用性。

    Jan, 2020

  • 完美密度模型不能保证异常检测

    通过重新参数化的视角深入研究分布密度的行为，揭示在现有应用中赋予异常点密度的经验值与应用期望相冲突，提出利用这些似然函数进行异常检测依赖强的暗含假设，明确表述这些假设才能实现可靠异常检测。

    Dec, 2020

  • 基于自编码器的 CMS 电磁量能器在线数据质量监测

    使用无监督深度学习开发了一个实时自编码器异常检测系统，能够检测先前数据中未见的 ECAL 异常，通过考虑 ECAL 响应的空间变化和异常的时间演变，该系统能够高效地检测异常，估计的错误发现率在 $10^{-2}$ 到 $10^{-4}$ 之间，比现有基准提高了两个数量级。在 2018 年和 2022 年的 LHC 碰撞数据中验证了系统的真实性能，并首次在 LHC Run 3 期间在 ECAL 桶部署了基于自编码器的系统，展示其在检测现有 DQM 系统可能忽视的隐晦问题中表现出的良好性能。

    Aug, 2023

  • 使用深度密度模型进行高维概率估计

    本文提出了一种新的密度估计方法 —— 深度密度模型（DDM），能够快速计算测试数据的归一化密度、生成样本并描述数据的联合熵。

    Feb, 2013

  • 基于潜变量的密度估计

    本研究提出了一种新的生成模型 LED，它不仅可以高效地生成样本，还可以进行高效的密度估计，并通过最大化判别器输出的对数似然来鼓励生成数据的多样性，同时构建一个流式生成器，在保持良好的生成质量的同时，可以计算生成样本的准确概率。

    Jun, 2022