WWWMar, 2023

复杂时间戳事件流的快速多方面挖掘

PDF
TL;DR本文提出了一种名为 CubeScope 的高效方法，针对高维状态随时间变化的数据流，通过识别 “regimes” 和 “components” 两种模式进行多维总结和隐含群组发现，可应用于数据压缩、异常检测、模式发现等领域。实验结果表明，CubeScope 比现有的方法更快更准确地发现有意义的模式和异常。
high-order tensor streamsregimescomponentsmulti-way summarizationanomaly detection
发现论文，激发创造
  • 使用可扩展的流式张量分解对多方面图进行建模和挖掘

    基于张量的方法可以对从社交网络到健康数据和电影观看模式等各种领域中涌现出的大规模、多层面、动态的图数据进行挖掘，包括发现静态和动态图数据中的凝聚社区和模式。

    Oct, 2022

  • MSTREAM: 多方面流数据快速异常检测

    提出了一个名为 MSTREAM 的流数据多方面异常检测框架，它可以以一种动态的方式检测不寻常的组群异常，其具有在线处理，可以捕捉多个数据方面之间的相关性，并能在多方面数据中检测异常，并在 CICIDS-DDoS 数据集上优于最先进的基线模型。

    Sep, 2020

  • 多模态非规则时间序列事件的特征融合框架

    本文提出了一种基于长短时记忆网络的多模态不规则时间序列事件的特征融合框架，能够提取复杂特征、捕捉非线性关系和时间依赖关系，并使用特征门控制不同张量的访问频率，实验证明该框架在 MIMIC-III 数据集上能显著优于现有方法。

    Sep, 2022

  • 大规模数据流中天文巡天的实时自动分类与决策

    该研究报告介绍了使用机器学习进行天文学突发事件的实时分析和响应的方法，以及将来可能的发展，以应对数据集增长的挑战。

    Jul, 2014

  • 社交活动中的反应与扩散动态挖掘

    提出了一种名为 FluxCube 的方法，通过挖掘在线用户活动数据中的潜在交互关系，包括查询之间的生态系统和区域之间的影响流。该模型基于两种数学模型的组合，即反应 - 扩散系统和生态系统，并利用物理信息神经网络的概念实现了高可解释性和高预测性能。实验结果表明，FluxCube 在预测准确性方面优于其他模型，并且每个组件都有助于提高性能。

    Aug, 2022

  • 简洁有效：使用多元模式总结复杂事件序列

    本文研究了如何利用富有多变量的序列模式获得离散多元序列数据的简明描述，并通过最小描述长度原则提出了一种高效的算法 DITTO，能够快速而准确地发现数据的高质量模式，从而提供了一个易于理解的数据总结。

    Dec, 2015

  • 复杂动态系统极端事件的基于数据协助的降阶建模

    本文提出了一种混合框架，它将投影方程得到的不完美模型和基于数据流的递归神经网络 (LSTM) 相结合，在具有极端事件的挑战性系统中表现出更好的性能，特别是在数据稀疏的情况下。

    Mar, 2018

  • TensorAnalyzer：利用非负张量分解识别大城市的城市模式

    本文提出基于张量分解的一种新方法来从多个数据源中检测最相关的城市模式，与经典方法相比，该方法的性能得到了验证，有效地识别了功能模式以表征数据集以获得良好的聚类质量，并通过实验和案例研究证明了该方法的有效性和实用性。

    Oct, 2022

  • 大数据处理的新方法：张量网络和张量分解

    本研究主要介绍了张量网络、张量分解、多元分析，低秩逼近以及大数据分析等多个方面，并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。

    Mar, 2014

  • 多元时间序列中异常检测和诊断的评估

    本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

    Sep, 2021