实时物联网系统中的新奇检测可适应和可解释框架
本文提出了一种基于逆累积分布的在线异常检测算法,用于现有实时基础设施中低延迟检测,适用于不可预测的数据模式,并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。
Jan, 2023
本文提出了 ADDAI:一种分布式人工智能异常检测技术,旨在解决物联网(IoT)和工业物联网(IIoT)中大规模数据传输和系统高速运行的挑战,具有高速、鲁棒性、低通信开销、隐私保护和可扩展性等优点。该技术可减少工业物联网传感器数据上传到云端的通信开销,并提供了 98.4% 的预测准确率。
May, 2022
我们的研究工作介绍了一种新颖的连续测试时域自适应异常检测方法,通过解决领域变化和有限数据代表性问题,实现了早期稳健的异常检测,能够有效适应不断变化的操作条件,尤其对于数据稀缺的系统具有显著改进,并在故障检测中表现出增强的准确性和可靠性。
Jun, 2024
该研究提出了一种基于长短期记忆单元的 RUAD 模型来解决高性能计算系统中异常检测的无监督学习问题,该模型通过考虑数据中的时间依赖性显著提高了半监督和无监督状态下的 AUC 性能表现。
Aug, 2022
提出了一个大规模、真实世界的多视角工业异常检测数据集(Real-IAD),包含 30 种对象的 15 万张高清图片,相比现有数据集大一个数量级。该数据集具有更大范围的缺陷区域和比例,具有更高的挑战性。在提供了常用 IAD 方法在该数据集上的结果后,为推动 IAD 领域的发展提供了一个极具挑战性的基准。
Mar, 2024
通过使用最大、最具挑战性的基准数据集 RAID,评估了机器生成文本检测器的领域外和对抗鲁棒性,并发现当前的检测器在对抗攻击、采样策略变化、重复惩罚和未知生成模型方面容易被欺骗。我们发布了数据集和工具,以促进进一步探索检测器的鲁棒性。
May, 2024
我们提出了一种基于机器学习的异常检测产品 ——AI Detect and Respond (AIDR),它能够实时监测沃尔玛的业务和系统健康状况。在验证期间,该产品使用超过 3000 个模型为 25 个应用程序、平台和运营团队提供了预测,覆盖了 63% 的重大事件,并将平均检测时间 (MTTD) 缩短了 7 分钟以上。与以往的异常检测方法不同,我们的解决方案利用统计学、机器学习和深度学习模型,同时继续使用基于规则的静态阈值来整合领域特定知识。单变量和多变量机器学习模型通过分布式服务部署和维护,以实现可伸缩性和高可用性。AIDR 具有反馈循环,借助漂移检测算法和用户反馈来评估模型质量。它还提供自助入门功能和可定制性。与以前的方法相比,AIDR 在各个内部团队中都取得了成功,其检测时间更短,误报较少。在未来,我们的目标是扩大事故覆盖和预防范围,减少噪音,并与根本原因推荐 (RCR) 进一步整合,实现端到端的 AIDR 体验。
Apr, 2024
提出了一种基于层级边缘计算系统的自适应异常检测方法,使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测,并设计了一种基于上下文信息提取的自适应方案,以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比,能将检测延迟降低 84%,同时保持准确性。
Jan, 2020
该论文介绍了一种名为 ExIFFI 的方法,在工业领域首次应用扩展隔离森林(EIF)异常检测方法,通过提供解释性输出来获得理解结果的原理,并在两个公开工业数据集上进行测试,展示了在解释和计算效率上相对于其他最先进的可解释 AD 模型的卓越效果。
May, 2024
利用深度学习和循环自编码器结合软硬件协同设计,实现高速网络中基于数据包的网络入侵检测,同时具备高检测准确性和解释能力。
Nov, 2023