Oct, 2023

一种用于移动网络故障分类的有监督嵌入和聚类异常检测方法

PDF
TL;DR利用 Supervised Embedding and Clustering Anomaly Detection (SEMC-AD) 方法，通过使用深度神经网络提取每个日志的数值表示，断代 One-hot 编码，评估嵌入的鲁棒性，并应用多元正态高斯聚类方法，实现高效异常检测及网络维护。
supervised embedding and clustering anomaly detectionalarm logsdeep neural networksanomaly detectionnetwork maintenance
发现论文，激发创造
  • 半正交嵌入用于高效无监督异常分割

    本文介绍了一种半正交嵌入模型，用于无监督异常分割任务。该模型使用预训练卷积神经网络中的多尺度特征来计算局部马氏距离，使用随机特征选择的方式对多维协方差张量进行逼近，从而极大地降低了计算开销，实验结果表明该方法在多个数据集上表现显著优于现有最优解。

    May, 2021

  • 领域无关的已知异常检测

    在工业质量检验中，检测异常数据是一个持久存在的障碍。本文介绍了一种新的领域概括方法，能够训练带有稀疏正常数据的异常检测模型，并能够在之前未见过的对象上检测相同类型的异常。通过生成新的数据集，改进了现有的 MVTec AD 数据集，并使用两种基于嵌入的方法 SEMLP 和 Labeled PatchCore 进行了设计。整体上，SEMLP 取得了最佳的性能表现，图像级平均 AUROC 为 87.2%。这些新的数据集可以为改进工业异常检测的进一步研究提供基础。

    Jul, 2024

  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 2023

  • 水力条件监测系统异常检测中半监督学习的比较研究

    本研究系统比较了半监督学习方法在液压系统异常检测中的应用，设计了一种基于极限学习机的半监督 HELM 模型，并证实其在半监督方法中具有卓越的性能。

    Jun, 2023

  • SeMAnD: 自我监督的多模态地理空间数据异常检测

    提出了一种称为 SeMAnD 的自监督异常检测技术，用于检测多模态地理空间数据中的几何异常。SeMAnD 利用数据增强策略 RandPolyAugment 和自我监督训练目标，在多模态数据的表示、对齐和融合方面学习具有区分性的表示，能够检测到现实世界的缺陷并在异常分类 AUC 方面优于通用领域的异常检测策略。

    Sep, 2023

  • AD-MERCS: 无监督异常检测中的正常性和异常性建模

    本文提出了一种无监督方法 AD-MERCS，旨在利用正常和异常模式来检测异常。该方法识别出多个子空间，以及识别出在这些模式之外的特征，能够对多种异常进行有效的检测，并能够通过在低维子空间中的模式和特征提供异常检测的简单解释。

    May, 2023

  • MLAD: 多系统日志异常检测的统一模型

    提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

    Jan, 2024

  • xSemAD：使用序列到序列模型进行可解释的事件日志语义异常检测

    本文提出了一种名为 xSemAD 的方法，通过使用序列到序列模型学习给定过程模型存储库中的约束，并在考虑的事件日志中检查这些约束是否成立，从而超越了传统的纯识别方法，提供了扩展的解释。实验证明，该方法优于现有的最先进的语义异常检测方法。

    Jun, 2024

  • 使用 SAAD 增强汽车系统中的异常检测：统计聚合异常检测

    该论文介绍了一种称为统计聚合异常检测（SAAD）的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合，通过在汽车领域的硬件在环（HIL）环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层，极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明，单独的统计方法达到了 72.1% 的准确性，而单独的深度学习模型达到了 71.5% 的准确性。相比之下，聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分，优于单独的模型。这些结果强调了 SAAD 的有效性，并展示了其在各个领域，包括汽车系统中的广泛应用潜力。

    Jun, 2024

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018