May, 2023

基于表格数据的深度异常检测的个人输入之外

PDF
TL;DR本文提出了一种利用非参数转换器的深度异常检测方法，该方法运用了一种重构框架来能够重构正常样本的被遮蔽特样本并生成异常分数，并在大量表格数据集上进行了评估，优于现有的最优方法，为探索 NPT 在表格数据上的潜力提供了新的思路。
发现论文，激发创造
  • 将表格数据上的参数异常检测重新变为非参数化

    使用检索增强模型进行表格数据的异常检测，通过选择相关样本来帮助目标样本的重建过程，以非参数关系提高性能。

    Jan, 2024

  • 深度异常检测的神经转换学习方法

    提出了一种可学习的数据变换方法，将数据嵌入语义空间，以检测异常值，此方法在时间序列和表格数据方面表现优异。

    Mar, 2021

  • TabMT：使用掩码变换器生成表格数据

    本文介绍了 TabMT，一种用于生成合成表格数据的新型掩码 Transformer 设计，它有效应对异构数据字段带来的独特挑战，并能够处理缺失数据。我们评估了 TabMT 在以保护隐私为重点的应用中的性能，并发现它能够生成具有优越隐私权衡的高质量数据。

    Dec, 2023

  • 先验正常性提示变压器用于多类工业图像异常检测

    我们的研究引入了 Prior Normality Prompt Transformer（PNPT）作为一种多类图像异常检测的方法，通过策略性地引入正常语义提示来解决传统方法在多类场景中遇到的问题，并结合异常样本和正常先验语义进行双流重建，实现对正常和异常实例的有效判别。实验证明 PNPT 在多类工业异常检测中具有卓越的性能。

    Jun, 2024

  • Tabular 数据的 AnoGAN: 一种新颖的异常检测方法

    通过将 AnoGAN 的原理应用于表格数据，本研究在异常检测领域做出了新的贡献，并在检测以前无法检测到的异常方面取得了有希望的进展。

    May, 2024

  • 使用本地神经转换在时间序列中检测异常

    该研究提出了一种新的基于自监督深度学习的检测时间序列异常值的方法，该方法通过学习局部变换来提高时间序列异常检测的效果。实验结果表明该方法可应用于多个领域。

    Feb, 2022

  • 用表格转换器对多元时间序列进行建模

    本研究利用深度学习算法构建神经网络模型，对具有层级结构的表格时间序列进行表示学习，提供了一种类似于 BERT 的预训练模型以及类似于 GPT 的合成模型，并在信用卡诈骗检测和空气污染浓度预测两个领域应用验证了模型的效果。

    Nov, 2020

  • Transformaly -- 一藏俩器（特征空间）胜于一

    本研究提出了一种称为 Transformaly 的方法，利用预先训练的网络（ViT）提取特征向量，并使用教师 - 学生训练方法将训练数据中的正常样本提供给学生网络进行训练，从而在异常检测方面实现了超越最新技术的结果。

    Dec, 2021

  • TabADM：无监督表格异常检测与扩散模型

    通过利用扩散算法的概率模型来进行无监督异常检测，该方法能够有效地学习正常样本的密度，并且在实际数据中展示了优越的检测能力。

    Jul, 2023

  • 使用表格语言模型在工业表格中进行命名实体识别

    本文研究如何将基于 transformer 的模型应用于工业级别的表格数据中的实体识别问题，并开发了一种专用的表格数据增强策略来提高性能，实验证明表格的归纳偏差对于 transformer-based 模型的收敛至关重要。

    Sep, 2022