高维数据流自适应伯恩斯坦变化检测器
本文中,我们提出了一种基于 Wasserstein 距离的新型变点检测方法 WATCH,该方法通过对初始分布进行建模并监控其行为,处理新数据点时能够提供动态高维数据中准确和强健的变点检测,并在包括许多基准数据集的广泛实验评估中表现优于现有的方法。
Jan, 2022
这篇研究提出了一种基于注意力机制的卷积自编码器(ABCD)方法,用于检测工业系统中的异常,并将风险值映射到维护计划中。模型通过学习真实工业冷却系统历史数据中电导率的正常行为,并重构输入数据,识别偏离预期模式的异常,提高了性能并减少误报,为冷却系统设计师和服务人员提供宝贵的洞见,并通过校准技术增强了模型的可信度,为维护策略决策提供了明智的选择。
Apr, 2024
我们提出了一种基于深度学习的 CPD/AD 方法,名为 Probabilistic Predictive Coding (PPC),该方法通过联合学习将序列数据编码成低维潜在空间表示,并预测后续的数据表示以及相应的预测不确定性。该方法具有解释性和可调整性,具有线性时间复杂度,并能适应多种数据类型和复杂应用。
May, 2024
使用基于自动编码器的新型损失函数方法对时间序列数据中的变点进行检测,能够发现信号自相关统计中更微妙的变化并减少误报率。该方法可在时间域、频率域或两者中指示变点,并可检测斜率、均值、方差、自相关函数和频率光谱的突变等。实验表明该方法在各种模拟和真实数据集中,始终比其他基线方法具有更高的性能。最后,我们使用匹配滤波器和新的变点分数结合的后处理程序,以解决误检报的问题。
Aug, 2020
提出了一种基于 Siamese 网络架构的改变检测方法,通过利用局部和全局特征表示捕捉多尺度特征,精确估计改变区域,实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势,并获得了最先进的性能。
Apr, 2024
离线变点检测通过识别时间序列中数据生成过程发生变化的点。我们针对至多一个变点的问题,提出使用概念矩阵来学习时间序列中指定训练窗口的特征动态。相关的随机循环神经网络作为数据的特征提取器,并通过特征化和代表性概念矩阵张成的空间之间的单变量距离来识别变点。这种模型无关的方法可以指引进一步研究的潜在兴趣点。我们证明,在温和的假设下,该方法提供了真实变点的一致估计,并通过原始数据的移动块自助法产生统计量的分位数估计。我们使用多类模拟数据对该方法进行测试,并通过聚类度量,图形方法和观察到的 Type 1 错误控制进行性能评估。我们将该方法应用于公开可用的大鼠神经数据,这些数据来自在探索放射迷宫之前经历非 REM 睡眠的阶段。
Aug, 2023
本研究提出了一种新的动态编码技术 DistHD,可有效发现和重构误导分类和影响学习质量的维度,从而加速学习过程,并以较低的维度达到所需的准确性。
Apr, 2023
本文提出了一种名为 Laplacian Anomaly Detection (LAD) 的方法,用于动态图中的变化点检测,并通过两个滑动窗口显式地建模短期和长期依赖关系。实验结果表明,该方法在动态网络中可以更有效地识别异常时间点。
Jul, 2020