异常检测的终身学习:新挑战、新视角和新洞见
本研究提出了一种基于转移学习和连续学习的在线异常检测方法,利用神经网络模型的特征提取能力和统计检测方法的连续学习能力,显著减少了训练复杂度,并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制,可应用于监控视频领域。
Apr, 2020
该研究探讨了在连续学习背景下像素级异常检测的问题,实现了多种先进技术,并使用真实世界的图像数据集验证了这些方法在连续学习环境中的适用性。
Mar, 2024
异常检测的主导范式在无限扩展上将面临基本限制,对于许多工业任务,当存在强任务先验时,可以克服这些限制;但当不存在这样的先验时,异常检测变得更加困难,因此我们提出了两个异常检测的重大挑战:i)通过异常检测来进行科学发现;ii)在 ImageNet 数据集中检测最异常的图像,我们相信需要开发新的异常检测工具和思想来克服这些挑战。
Jul, 2023
本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析,提供关于流行的深度学习技术的全面的系统性回顾,比较和对比它们的架构差异和训练算法,并提供了用于解释模型决策的深度模型解释策略的综合概述。此外,指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。
Dec, 2020
连续时间动态图中的异常检测是一个新兴领域,本文通过结构化分析以及图表示学习,对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中,我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图,从而使得时间图方法能够学习到链接异常检测任务。在合成和真实数据集上进行的综合实验通过验证我们的异常和正常图形的分类法、生成过程以及对链接预测方法的异常检测适应方法。我们的研究结果进一步揭示了不同学习方法在捕捉图形正常性的不同方面和检测不同类型异常方面的优势,为未来的研究提供了机遇。
May, 2024
本文调查了基于深度学习的时间序列异常检测的现状,提供了一种基于分类因素的分类法,并描述了每种分类法的优点和局限性,最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。
Nov, 2022
本文提出了基于深度学习的异常检测(Deep Learning-based Anomaly Detection,DLAD)方法,对当前 CPS 领域内的 DLAD 现有方法进行了分类和总结,探讨了其设计特点、局限性和未来研究方向。
Mar, 2020