Oct, 2023

计算工作流程中的异常检测自监督学习

PDF
TL;DR我们提出了一种基于自编码器驱动的无监督学习方法，从无标签的工作流数据中学习摘要统计，并估计计算工作流的正常行为。通过估计潜在空间中正常行为的分布，我们证明了我们可以在基准数据集上胜过最先进的异常检测方法。
anomaly detectioncomputational workflowsgraph neural networksautoencoder-driven self-supervised learningoutliers detection
发现论文，激发创造
  • 针对图形异常检测的生成式和对比式自监督学习

    本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

    Aug, 2021

  • 自监督解决无监督异常检测的困境和机遇

    自我监督学习在无监督异常检测中起到重要作用，对 SSL 策略的选择、超参数的调整、预处理任务和增强函数的设计以及基于密度估计的预训练模型的利用提出了新的发展和挑战。

    Aug, 2023

  • 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

  • 高性能计算系统中的自编码器异常检测

    这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

    Nov, 2018

  • 解耦异常鉴别和表示学习：自监督学习用于属性图的异常检测

    本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。

    Apr, 2023

  • 基于对比自监督学习的属性网络异常检测

    本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

    Feb, 2021

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020

  • CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

    我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

    Nov, 2023

  • 自监督并非魔法：理解图像异常检测中的数据增强

    本文通过对三种不同模型以及 420 种不同任务的广泛实验，认真研究了数据增强在异常检测中的作用，得出自监督作为另一个模型超参数，需要根据真实异常特征仔细选择数据增强方式的结论，并且在缺乏对应的情况下，自监督甚至会降低准确性，从而为未来的研究提供了新的方向

    Aug, 2022

  • 异常检测需要更好的表示

    本文介绍了无监督学习的自我监督表 征学习技术可以用于实现常见异常检测任务的最先进性能，并且提出在表示学习方面实现下一代异常检测任务需要新的技术和概念改进。

    Oct, 2022