基于变分自编码器学习概念的蜂窝网络可解释异常检测

Jun, 2023

基于变分自编码器学习概念的蜂窝网络可解释异常检测

Interpretable Anomaly Detection in Cellular Networks by Learning Concepts in Variational Autoencoders

Amandeep Singh, Michael Weber, Markus Lange-Hegermann

TL;DR该研究采用变分自编码器的方法解决了在移动网络中可解释的异常检测问题，该方法可以学习每个关键性能指标的可解释表示，使用重构误差和 Z 分数检测异常，通过附加信息中心增强表征学习，从而实现了异常可解释性和自主检测，同时展示了深度学习算法处理大数据的潜力。

Abstract

This paper addresses the challenges of detecting anomalies in cellular networks in an interpretable way and proposes a new approach using variational autoencoders (VAEs) that learn interpretable representations of the latent space for each Key Performance Indicator (KPI) in the dataset. This enables the detection of anomalies based on reconstruction loss and

anomaly detection variational autoencoders interpretable representation latent dimension cellular networks

发现论文，激发创造

条件变分自编码器进行异常检测

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

用于非监督异常检测的上下文编码变分自编码器

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018

使用变分自动编码器进行无监督异常定位

提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

Jul, 2019

通过建立感知特征模型进行异常检测定位

本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

Aug, 2020

具有变分自编码器的快速基于粒子的异常检测算法

我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

Nov, 2023

用于现实世界异常分类的潜在空间群集调节

自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器，我们将其潜在空间设为条件，将样本分类为正常数据或异常数据。为了特别强调小的异常，我们进行了实验，在额外的输入中提供了差异图，并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中，同时还能重构高质量的图像，从而产生有意义的潜在表示。

Sep, 2023

变分自编码器在视频视觉异常检测中的应用

本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

Mar, 2022

GEE: 一种基于梯度的可解释性变分自编码器用于网络异常检测

本文提出了一个名为 GEE 的框架，通过使用基于变分自编码器（VAE）的无监督深度学习技术和基于梯度的指纹技术来检测和解释网络流量中的异常，从而解决了传统监督式异常检测方法需要大量标记数据训练的限制和难以检测零日攻击的问题。实验结果表明了该方法的有效性。

Mar, 2019

基于分层条件变分自编码器的声学异常检测

该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

Jun, 2022

SLAC Linac 相干光源的弹性 VAE：无监督异常检测

利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

Sep, 2023