Jul, 2023

选择性字典学习的异常检测

PDF
TL;DR本文采用基于字典学习和核字典学习的异常检测方法，通过无监督方法来适应已知的字典学习和核字典学习算法用于异常值检测，在大数据集问题中，提出了一种减小核矩阵的版本，同时通过随机选择信号来改进字典学习和减小核矩阵版本的方法，用于消除训练过程中的异常值，并在异常检测工具箱中引入了所有的算法，并与标准基准结果进行了比较。
anomaly detectiondictionary learningkernel dictionary learningunsupervised methodsoutlier detection
发现论文，激发创造
  • 融合字典学习和支持向量机的无监督异常检测

    本研究通过稀疏表示技术改进了一类支持向量机（OC-SVM）用于无监督异常检测，提出了一种将 OC-SVM 和 DL 残差函数融合为单一复合目标的新异常检测模型，并通过 K-SVD 类型的迭代算法进行求解，同时将 DL 模型适应于字典对学习（DPL）上下文中，进一步扩展这两个目标以允许使用核函数，并对其参数进行了深入分析，通过与现有方法的比较展示了数值性能。

    Apr, 2024

  • 简化核词典学习

    本文介绍了用于训练核字典学习问题中的缩减非线性表示的新算法。我们提出了一种更贴近字典学习精神的方法，在 KDL 过程中直接优化核向量，使用梯度下降步骤。我们通过三个数据集的实验证明，尽管使用少量核向量，我们的算法能够提供更好的表示，并且减少了执行时间。

    Jul, 2023

  • 非相干核字典学习的分类

    基于字典学习的新分类方法，包括基于核的不连贯字典学习的改进版本以及表示更新方面的 AK-SVD 算法的改进，测试在多个经典分类问题的数据库上。

    Jul, 2023

  • 知识蒸馏用于异常检测

    无监督深度学习技术广泛用于识别异常行为。该研究介绍了一种基于知识蒸馏的新型过程，用于将无监督异常检测模型压缩成监督可部署模型，并提出了一套提高检测敏感性的技术集合。压缩模型在显著减小大小和内存占用的同时，性能与较大模型相当。

    Oct, 2023

  • 深度学习中的异常例检测：综述

    本文介绍了关于深度学习中的异常检测技术的研究，旨在提供现有技术的分类及其相对优缺点，强调在应用异常检测技术的深度学习系统中仍存在的未解决研究挑战，并提出了未来重要的研究方向。

    Mar, 2020

  • LEAN-DMKDE: 用于异常检测的量子潜在密度估计

    本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。

    Nov, 2022

  • 动态区分学习：自适应伪异常用于视频异常检测

    介绍了动态差异学习（DDL）用于视频异常检测的研究方法，该方法结合了伪异常、动态异常加权和差异损失函数，提高了检测精度，能够适应正常和异常行为的变异性，并在 Ped2、Avenue 和 ShanghaiTech 数据集上展示出卓越性能，为视频监控挑战提供了可扩展和适应性强的解决方案。

    Apr, 2024

  • 基于图的在线多核学习

    该论文提出了一种数据驱动的核选择方法，利用相似性构建和优化图，辅助选择核子集，以提高函数近似的准确性和降低计算复杂度，并且采用随机特征逼近来实现在线学习，并通过实验证明了新方法的优势。

    Feb, 2021

  • 基于知识数据对齐的弱监督异常检测

    研究提出了一种新颖的知识 - 数据对齐框架（KDAlign），通过整合人工专家总结的规则知识来增强有限标记异常样本的模型性能。采用最优传输技术实现知识和数据的对齐，并将最优传输距离作为额外损失项引入弱监督异常检测方法的目标函数中，实验证明该框架在各种异常类型上均取得了优异性能，较同类方法明显优越。

    Feb, 2024

  • 弱监督视频异常检测的聚合知识蒸馏

    通过将多个骨干模型的聚合表示进行知识蒸馏，我们提出了一种相对简单的模型，达到了最先进的性能。我们的方法在多个基准数据集上取得了显著提高，尤其是在 UCF-Crime、ShanghaiTech 和 XD-Violence 数据集上，分别实现了 1.36％、0.78％和 7.02％的显著改进。

    Jun, 2024