Nov, 2022

G-CMP: 基于图增强的上下文矩阵剖面，用于无监督的基于传感器的远程健康监测中的异常检测

PDF
TL;DR本研究介绍了一种基于传感器的远程健康监测方法，使用上下文矩阵剖面（CMP）的配置版来检测噪声环境下的异常事件和不良健康状况，同时提出了一种基于图形的异常检测方法，能够编码时间上下文的异常性，有效地辨识、监测与预警真正的异常状况。
发现论文，激发创造
  • 面向相关性的深度生成模型用于无监督异常检测

    本文提出了一种基于关联感知的无监督深度高斯混合模型 (CADGMM) 的异常检测方法，该方法通过图形表示建立了样本间的关联，采用双编码器将特征和关联信息编码到低维潜在空间中，并利用高斯混合模型估计这些样本的密度，从而检测异常。

    Feb, 2020

  • 面向在线服务的多变量监控指标实用异常检测

    现代软件系统在复杂性和数量方面不断增长，对多变量监测指标进行异常检测变得越来越关键和具有挑战性。本文提出了一种基于协作机制的多变量监测指标上的异常检测框架 CMAnomaly，该框架能捕捉到不同指标之间以及它们的历史模式之间的依赖关系，通过代价有效的模型实现了准确的异常检测。通过实验结果表明，CMAnomaly 相对于现有基准模型在 F1 得分和运行速度上取得了显著的改进。此外，我们还分享了在华为云中部署 CMAnomaly 的经验。

    Aug, 2023

  • 从噪声数据计算矩阵剖面

    通过实验测量了从原始时间序列生成的 matrix profile 与加入不同噪声参数设置后的数据生成的 matrix profile 之间的相似性，结果显示 matrix profile 生成在少量噪声存在的情况下仍然具有弹性，但是随着噪声的增加，这种弹性消失了。

    Jun, 2023

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • 基于元路径的深度半监督异常检测

    介绍了一种基于元路径的半监督学习方法的新颖方法，通过在编码器和解码器中利用 GCN 层来高效传播异常和正常节点之间的上下文信息，从而克服了先前方法的局限性，并通过在七个真实网络上进行的一系列实验，证明了该方法相对于最先进技术的优越性。这项研究的有希望的结果为未来的研究铺平了道路，重点是优化和分析元路径模式，进一步提高属性网络上的异常检测的有效性。

    Aug, 2023

  • 基于知识图谱嵌入模型的上下文依赖异常检测

    该研究利用上下文感知来提高机器学习模型的语义理解和上下文意识，提出了将依赖上下文的异常检测问题转化为链路预测问题的框架，并通过知识图谱嵌入模型实现系统，展示了该方法能够高度准确地检测出依赖上下文的异常。

    Mar, 2022

  • 针对图形异常检测的生成式和对比式自监督学习

    本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

    Aug, 2021

  • 使用矩阵配置文件进行时间序列合成的匿名化

    通过基于矩阵剖面（Matrix Profile）的时间序列综合方法（TSSUMP），我们可以合成时间序列以替代原始数据，从而解决由于隐私规定或机密商业信息泄漏的难题，并保持合成时间序列与原始时间序列之间的相似连接信息（Matrix Profile），同时减少相关性，从而保护个别时间步长的值和本地模式，使得结果数据可以用于数据分析师感兴趣的下游任务。

    Nov, 2023

  • 一个无监督的时空图模型方法用于分布式 CPS 中的异常检测

    本文提出了一种新的基于数据驱动的系统范围异常检测框架，其基于符号动力学的概念构建了一种时空特征提取方案，用于发现和表示 CPS 子系统之间因果相互作用，结果表明，该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。

    Dec, 2015

  • 点云异常检测的互补拟合多模态特征

    本研究旨在通过将手工制作的 PCD 描述符与强大的预训练 2D 神经网络相结合，提高点云异常检测性能，提出了全面的伪多模特征（CPMF），通过使用手工制作的 PCD 描述符将 3D 模态中的局部几何信息与生成伪 2D 模态中的全局语义信息相结合，展示了 2D 和 3D 模态特征之间互补的能力和 CPMF 的有效性。

    Mar, 2023