基于自编码器的流式数据异常检测，具有增量学习和概念漂移适应

May, 2023

基于自编码器的流式数据异常检测，具有增量学习和概念漂移适应

Autoencoder-based Anomaly Detection in Streaming Data with Incremental Learning and Concept Drift Adaptation

Jin Li, Kleanthis Malialis, Marios M. Polycarpou

TL;DR本文提出了一种自编码器模型的增量学习方法，并加入了漂移检测，以应对非平稳环境中异常事件的问题。在实验中，我们使用了现实世界和合成数据集进行了实证分析，并进行了对比分析，结果表明该方法明显优于现有的基线和先进方法。

Abstract

In our digital universe nowadays, enormous amount of data are produced in a streaming manner in a variety of application areas. These data are often unlabelled. In this case, identifying infrequent events, such as anomalies, poses a great challenge. This problem becomes even more difficult in non-stationary environments, which can cause deterioration of the

autoencoder incremental learning drift detection anomaly predictive performance

发现论文，激发创造

MemStream: 基于内存的流式异常检测

本文提出了 MemStream，一种流异常检测框架，使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势，以应对流式数据中的异常情况和概念漂移，并通过实验结果证明其有效性。

Jun, 2021

利用自编码器进行无监督的概念漂移遗忘

本文提出了一种基于自编码器的方法，用于无监督地 “遗忘” 概念漂移，避免重新训练或调整任何操作于数据上的学习模型。

Nov, 2022

自主深度学习：基于去噪自编码器的增量式学习，处理流动数据

该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN，并以单次学习为基础的方法，通过网络重要性估计来自动添加或修剪输入特征，从而提高分类精度并适应不断变化的环境。

Sep, 2018

基于概念漂移检测和基于原型的嵌入的图流分类的增量学习

该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。

Apr, 2024

使用整体私有模型集的概念漂移检测

深度神经网络（DNNs）是最广泛使用的机器学习算法之一。本文关注集成私有 DNNs 的概念来检测概念漂移，并引入一种名为 IPDD 的集成方法，不需要标签即可检测漂移。实验证明该方法在隐私性和效用上具有可比性。

Jun, 2024

针对复杂演变数据流的在线深度异常检测的自适应模型汇聚

该研究提出了一种名为 ARCUS 的在线深度异常检测框架，它使用自适应模型池方法和两个新技术：概念驱动推理和漂移感知模型池更新来处理来自物联网设备和云基础架构的复杂和不断演化的数据流，并在实验中证明其在高维和概念漂移数据集上提高了最先进的自编码器方法和流式异常检测方法的检测准确性。

Jun, 2022

基于动态阈值的卷积自编码器实时异常检测

创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

Apr, 2024

卷积自编码器在视频异常检测中的深度学习方法

我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

Nov, 2023

基于 LSTM 的编码器 - 解码器多传感器异常检测

使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。

Jul, 2016

数据流的自动模型监控

本文提出了一种自动模型监测系统 SAMM，它使用了时间和空间有效的无监督流算法来检测概念漂移，并自动生成解释，针对骗局检测模型，对 SAMM 系统进行了五个真实数据集的测试并获得了领域专家的验证。

Aug, 2019