Nov, 2022

使用 Monte Carlo Dropout 的卫星异常检测方法

PDF
TL;DR本研究提出了一种基于仿真蒙特卡罗 dropout 方法的 BNN 时间序列预测和不确定性估计方法，用于卫星遥测异常检测，实现了更准确和可靠的检测。
satellite telemetryanomaly detectionneural networksmonte carlo dropoutuncertainty estimation
发现论文，激发创造
  • 神经网络的单次贝叶斯逼近

    我们提出了一种快速的基于矩阵传播的近似方法，将神经网络转换成贝叶斯神经网络，实现对预测分布的点估计和不确定性估计，并通过与深度集成技术相结合进一步提高不确定性测量的性能。

    Aug, 2023

  • 基于 MC-dropout 的脉冲神经网络高效不确定性估计

    提出了一种基于时间步机制和 Monte Carlo-Dropout 的 Spiking neural networks 不确定性估计方法，该方法在实现高精度和不确定质量的同时，不会在训练和推断过程中引入显著的额外开销，适用于能源高效应用。

    Apr, 2023

  • 单次 MC Dropout 近似

    该研究旨在通过一种单次 MC 退火的方法来提高贝叶斯变体深度神经网络的测试时间，同时保持不确定性测量的优点。经过基准测试和模拟游戏等方面的验证，该方法能够在实时部署 BDNNs 时实现预测分布的点估计和不确定性估计。

    Jul, 2020

  • 使用 LSTM 和非参数动态阈值检测航天器异常

    使用 LSTM 网络对遥测数据进行异常检测，结合一种无监督检测方法并提供假阳性减缓策略，以降低操作风险和减轻工程师的监测负担。

    Feb, 2018

  • 规模 - 丢弃：使用随机规模估计深度神经网络中的不确定性

    在本论文中，我们提出了一种用于二元神经网络（BNNs）的新型正则化技术 —— 比例 Dropout（Scale Dropout），以及基于蒙特卡罗比例 Dropout（MC-Scale Dropout）的 Bayesian NNs，用于有效地估计不确定性。我们引入了一种基于自旋电子存储器的计算内存（CIM）架构，相比最先进技术可实现超过 100 倍的能量节省。我们验证了我们的方法，结果显示相对于相关工作，我们的方法在预测性能上有 1% 的改进，并提供了更优的不确定性估计。

    Nov, 2023

  • 基于 LSTM 的时间变化可变性数据的预测监控方法

    该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

    Sep, 2023

  • BSSAD: 面向多元时间序列异常检测的新颖贝叶斯状态空间方法

    本文提出了一种名为贝叶斯状态空间异常检测（BSSAD）的新颖方法，该方法结合了贝叶斯状态空间和递归神经网络及自编码器的优势。通过粒子滤波器和集合卡尔曼滤波器等贝叶斯状态空间模型，在进行大量实验后，该方法在五个不同数据集上的表现均优于基线超过 0.95 的 F1 得分，并且提出了 Matthew Correlation Coefficient（MCC）作为更综合的准确性度量。

    Jan, 2023

  • 语义分割视频的高效不确定性估计

    本研究提出了基于区域的时间聚合方法，利用视频中的时间信息模拟样本采集过程，以实现在像素级和帧级度量上与 Monte Carlo dropout 相媲美的不确定性估计，同时比使用 Monte Carlo dropout 快 10 倍。

    Jul, 2018

  • 深度时间序列异常检测的蒙特卡罗 EM

    本研究提出了一种结合 Monte Carlo EM 技术的神经网络模型，能够显式地识别和处理时间序列数据中的异常点，通过将潜在的异常点指示变量引入到模型中，提高了模型在标准数据集上的表现。

    Dec, 2021

  • 基于长短期记忆循环神经网络的集体异常检测

    本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型，该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常，实验结果表明该模型能够提供可靠和高效的集体异常检测方案。

    Mar, 2017