Feb, 2023

基于原型网络和对比学习的工业网络物理系统少样本异常检测

PDF
TL;DR本文提出了基于原型网络和对比学习的少样本异常检测模型 (FSL-PN)，以应对工业网络攻击对工业网络安全的威胁。实验结果表明，FSL-PN 模型在少样本检测场景下能够显著提高异常信号的 F1 值和降低误报率 (FAR)。
industry 4.0cyber-physical systemanomaly detectionfew-shot learningindustrial security
发现论文，激发创造
  • 用于少样本视觉异常分类的 PatchProto 网络

    本论文研究了少样本学习（FSL）的实际问题，通过利用充足的正常样本，提出了 PatchProto 网络用于少样本异常分类。与传统方法不同，PatchProto 网络仅提取感兴趣区域的缺陷 CNN 特征，并将其作为少样本学习的原型。实验结果显示 PatchProto 网络显著提高了少样本异常分类的准确性。

    Oct, 2023

  • 小样本弱监督网络安全异常检测

    本文提出了一个增强后的少样本弱监督深度学习异常检测框架，结合了数据增强、表示学习和序回归方法，并在三个基准数据集上进行了评估和展示其性能。

    Apr, 2023

  • 数据驱动和知识驱动的物理网络系统异常检测的鲁棒性测试

    本文旨在评估基于机器学习方法的异常检测算法对于两种意外和恶意干扰的鲁棒性，在结合领域知识的前提下实验结果表明，基于领域知识训练的机器学习算法能够有效地降低鲁棒性误差并提高透明度。

    Apr, 2022

  • 学习增强的网络物理系统中的实时异常检测

    本论文研究了如何在物理控制系统中高效检测数据分布的异常点，提出了利用归纳式一致性预测和异常检测方法进行检测的方案，并通过仿真实验在自动驾驶和紧急制动系统中得到了良好的实验结果。

    Jan, 2020

  • 工业场景中的异常多分类：将 Few-shot Learning 转移到新任务中

    本文提出了一个名为异常多分类的新颖而有价值的研究任务，并介绍了一种结合了 RelationNet 和 PatchCore 的基线模型，以及一种数据生成方法和对比学习，旨在在工业场景中实现将 few-shot learning 转化的性能改进。在 MvTec AD 和 MvTec3D AD 上的实验证明了我们方法在这个新任务中表现出优越的性能。

    Jun, 2024

  • COFT-AD：对少样本异常检测的对比微调

    在本研究中，我们提出了一种新的方法来解决少样本异常检测（FSAD）的挑战，该方法包括使用预先训练的模型初始化权重，采用对比性训练来优化少样本领域数据，以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估，以展示所提方法的有效性。

    Feb, 2024

  • 可解释的偏差网络深度少样本异常检测

    本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了 sample-efficient 考虑，实现了对少量标注样本的训练，并在 9 个实际图像异常检测基准测试中表现显著好于同类方法。

    Aug, 2021

  • 基于对抗损失的少样本异常检测与鲁棒特征表示

    我们提出了一种少样本异常检测方法，通过整合对抗训练损失来获得更强大和广义的特征表示，实验证明该方法在利用对抗性损失时通常获得更好的性能。

    Dec, 2023

  • 跨网络元学习的小样本网络异常检测

    本研究探讨了采用少量标注异常来进行网络异常检测的问题，并提出一种新的图神经网络方法和跨网络元学习算法来解决这个问题，并通过大量实验验证了其有效性。

    Feb, 2021

  • 基于卷积组合的小样本缺陷检测技术

    本文提出了一种使用多个预训练卷积模型作为骨干的 few-shot 分类新方法，使用新颖的集成技术提高了准确性，同时大大减少了总参数数量，实现了实时检测，通过强调超参数搜索，该模型在竞争标准中超越了现有的最先进方法，取得了 92.30％的 5-way 5-shot 任务准确率。

    Aug, 2022