基於上下文區分對比學習的時間序列異常檢測
通过在训练时将正常数据设置为不同的上下文,而又保留其正常特性,我们提出了 Con2 方法,它使我们能够从不同的角度观察数据,从而使未见过的正常数据符合学到的上下文表示,而异常数据则无法做到,从而无需在训练过程中了解异常情况就能检测到异常数据。我们的实验结果表明,我们的方法在各种基准测试中取得了最先进的性能,并在更现实的医疗保健领域展现出卓越的性能,这里潜在异常情况的了解常常是有限的。
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
本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架,其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块, 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能,某些异常子类的检测准确率也得到了极大的提高。
Jun, 2023
本研究提出了一种基于上下文一致性规则学习的深度神经网络攻击检测方法,通过建立了一组自动编码器来检测违反上下文一致性规则的对抗扰动,实验证明该方法可以有效检测各种对抗攻击。
Jul, 2020
本文提出了一种新的时间序列表示学习方法,通过自监督任务的上下文、时间和转换一致性,结合不确定性加权方法,实现了多任务学习和跨领域传递学习,进而在时间序列分类、预测和异常检测等下游任务中取得了更好表现。
Mar, 2023
本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法,该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常,并在七个基准数据集上超越目前最先进的方法。
Feb, 2021