May, 2023

AnoRand: 随机标注的半监督深度学习异常检测方法

PDF
TL;DR文章提出了一种新的基于深度学习与随机合成标签生成相结合的半监督异常检测方法 AnoRand，采用自编码器和噪声检测技术，生成一定比例的合成异常样本，并在合成和真实数据集上进行了实验，结果表明该方法优于大多数无监督和有监督算法。
anomaly detectionsemi-supervised learningdeep learningautoencoderrandom synthetic label generation
发现论文，激发创造
  • 通过对抗学习连续噪声损坏实现的强大半监督异常检测

    这篇论文探讨了如何应用对抗性训练和增加噪声的方法来解决自动编码器过拟合问题，从而提高异常检测的性能，并在多个数据集和实际场景中进行了验证。

    Mar, 2023

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • 深度半监督异常检测

    本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。

    Jun, 2019

  • 朝向深度监督异常检测：从部分标记异常数据中强化学习

    该论文提出了一个基于深度强化学习的方法来解决在只有有限的异常样本和大量无标注数据集的情况下进行异常检测的问题，该方法在自动交互式模拟环境中学习已知异常，并通过探索从而将学习到的异常扩展到未知异常，最终取得了比五种已有方法更好的实验效果。

    Sep, 2020

  • uTRAND：交通轨迹的无监督异常检测

    uTRAND 是一种深度学习技术的框架，通过将异常轨迹预测问题从像素空间转移到语义拓扑领域，检测和跟踪交通摄像头中各种类型的交通代理。通过将交叉口视为基于补丁的图形，该框架能够在没有昂贵手工分类的情况下学习和建模交通代理的正常行为，并且能够制定简单规则以便于人类解释异常轨迹。在真实环境中收集的异常轨迹数据集上，uTRAND 在性能和可解释性方面都优于其他先进方法。

    Apr, 2024

  • RUAD: 针对 HPC 系统的无监督异常检测

    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

  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 无监督图异常检测中的强化邻居选择

    提出了一种基于增强学习的无监督图异常检测方法（RAND），该方法利用图神经网络学习节点表示并选择可靠的邻居节点，通过增加增强学习模块和异常感知汇聚器来提高检测性能。实验证明，RAND 方法在合成和真实数据集上优于现有方法。

    Dec, 2023

  • AnoOnly: 无需正常数据损失的半监督异常检测

    AnoOnly, a semi-supervised anomaly detection framework using weak supervision with batch normalization, addresses the issue of imbalanced data and achieves new state-of-the-art performance while being natively robust to label noise.

    May, 2023

  • 文本中的深度异常检测

    利用自监督学习针对文本语料库制定预文本任务的方法，根据最新研究成果，大幅提高了半监督和无监督异常检测的效果，并证明了自监督异常检测在自然语言处理领域中的潜力。

    Dec, 2023