本文提出一种新的基于监督学习的域适应技术,利用最优传输方法和嵌入相似性技术,从少量样本中搜索最优类别相关转换,并在推理中选择相应的转换,能够减小领域差异,并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。
Apr, 2022
本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型(DACAD),模型通过引入各种类型的合成异常来增强泛化能力,改善领域间未见异常类的一般化,提出了针对异常检测的有效中心熵分类器(CEC),有效学习源域中正常边界,广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型,同时可以缓解有限标注数据对时序异常检测的挑战。
Apr, 2024
提出了一种新颖的域适应预测框架(Domain Adaptation Forecaster,DAF),该框架利用统计上的优势,从具有大量数据样本的相关领域(源)汲取经验,从而提高目标领域(带有有限数据量的)的性能,实现了对源和目标域的联合培训,并展示了在各种领域上的出色表现。
Feb, 2021
利用三领域异常检测 (TriAD) 的自主学习方法,本文通过对 UCR 数据集的实验结果,相比于最先进的深度学习模型,实现了基于 PA% K F1 分数的三倍提升,并相比于最先进的不和谐发现算法,实现了 50% 准确率的提升。
Nov, 2023
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
针对时间数据中的异常检测问题,提出了一种新的方法,借鉴了 DeepSVDD 的损失函数,结合了 Neutral AD 的确定性对比损失,提高了在实际工业数据集中的性能表现。
Apr, 2023
针对非监督时间序列异常检测研究中的 ' 新常态问题 ',本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略,通过在推理过程中学习新的常态性,从而提高异常检测器的性能并增强对分布变化的鲁棒性。
Dec, 2023
本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架,旨在使用对比学习框架来学习多变量时间序列的语境表示,并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化,从而实现了在时间序列领域中学习域不变上下文表示的方法,并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。
Jun, 2022
提出了一种基于多领域数据预训练的时间序列异常检测通用模型 DADA,通过灵活选择信息瓶颈和明确区分正常与异常序列,在多个目标数据集上取得了竞争性甚至优秀的结果。
May, 2024
通过结合多元时间序列表示学习的最新发展和最初为计算机视觉开发的深度异常检测技术,我们引入了神经上下文异常检测(NCAD)框架,该框架可无缝地从无监督到监督设置扩展,可应用于单变量和多变量时间序列。我们的窗口式方法通过将通用合成异常注入到可用数据中来促进学习正常和异常类之间的边界,并且我们的方法可以在半监督的情况下有效地利用所有可用的信息。我们在标准基准数据集上进行了实证,证明了我们的方法在这些设置中获得了最先进的性能。
Jul, 2021