Aug, 2023

ALGAN：基于调整 LSTM GAN 的时间序列异常检测

PDF
TL;DR在时间序列数据中，我们提出了一种名为调整 LSTM GAN（ALGAN）的新型生成对抗网络（GAN）模型，它能够调整 LSTM 网络的输出以提高无监督设置下单变量和多变量时间序列数据的异常检测性能。通过对 46 个真实世界的单变量时间序列数据集和一个涵盖多个领域的大型多变量数据集进行实验，我们证明 ALGAN 在时间序列数据的异常检测方面优于传统的基于神经网络和其他基于 GAN 的方法。
发现论文，激发创造
  • TadGAN: 使用生成对抗网络进行时间序列异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络（LSTM）作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性，并通过循环一致性损失进行训练，以实现有效的时间序列数据重构。此外，该方法还提出了计算重构误差的几种新方法，以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常，并在大多数情况下（11 个数据集中的 6 个）胜过基线方法。

    Sep, 2020

  • TAnoGAN：基于生成对抗网络的时间序列异常检测

    本文提出了一种用于时序数据异常检测的基于生成对抗神经网络的无监督方法 TAnoGan，实验结果表明其比传统及神经网络模型表现更好。

    Aug, 2020

  • 对抗性学习的异常检测

    本文提出一种基于双向 GAN 的异常检测方法 ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

    Dec, 2018

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 基于 MIM-GAN 的多元时间序列数据异常检测

    基于信息重要性度量的生成对抗网络的多时间序列异常检测算法具有优越的准确率、召回率和 F1 分数。

    Oct, 2023

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • DEGAN：使用生成式对抗网络鉴别器和密度估计的时间序列异常检测

    本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。

    Oct, 2022

  • GAN 在异常检测中的应用综述

    本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

    Jun, 2019

  • 高效基于 GAN 的异常检测

    使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。

    Feb, 2018

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022