Nov, 2023

HADES：基于本地度量比较的快速奇异性检测

PDF
TL;DRHades 是一种无监督算法，可通过核拟合度检验快速而可扩展地检测数据中的奇点。通过应用微分几何和最优传输理论，我们证明当数据样本生存在等维度流形的横交集上时，Hades 能够以很高的概率正确地检测奇点。在计算实验中，Hades 在合成生成的数据、道路网络数据中的分叉点、分子构象空间中的交叉环以及图像数据中的异常情况中成功地恢复出奇点。
发现论文，激发创造
  • TOAST: 基于拓扑的奇点跟踪算法

    通过开发一种拓扑框架，定量测量局部内在维度和多尺度下点的欧几里得度量，检测复杂空间的奇异性，同时捕获图像数据中的奇异结构和局部几何复杂性。

    Sep, 2022

  • 半监督跨模态注重力异构软件系统异常检测

    该研究通过系统化的研究，发现了结合日志和度量数据来检测系统异常更加有效，提出了基于异构数据的端到端半监督方法 Hades，并通过大量模拟数据和华为云数据集的评估结果，证明了模型在检测系统异常方面的有效性。

    Feb, 2023

  • 海量社交图快速可扩展分析

    本研究旨在探讨如何在当今大规模图形上开展可扩展性的图形处理，提出了一种新的图形坐标系统的设计空间，即通过将图嵌入到坐标空间的方式精确地近似节点距离，从而实现常数时间内的距离查询和最短路径查询，在 43 百万个节点的图中能提供更准确的结果，且可以很容易地扩展到定位节点对之间的最短路径，解决了大规模图形分析的难题。

    Jul, 2011

  • 高维度、低样本量数据完美聚类

    本文针对高维低样本量情况下聚类算法性能下降的问题，介绍了一种基于云图的 MADD 差异度量方法，并证明了其在高维数据聚类上的有效性；根据理论和实验结果，比较了多种算法及其聚类效果评估方法，发现在使用 MADD 代替欧氏距离时，已有算法的表现得到提升。同时，作者提出了一种基于罚函数 Dunn 指数的新的聚类数目估计方法，在固定样本数量、维数增加的情况下使方法相对于样本数更稳定。最后，研究运用了多组真实和模拟数据集来证明 MADD 方法对高维数据聚类分析中的重要性。

    Dec, 2016

  • 利用随机投影的马氏距离 DIP 统计量进行多元单峰性检验

    通过线性随机投影和点对点距离计算，我们提出了一种根据 α- 单峰假设的多元单峰性测试方法，命名为 mud-pod，通过将一维单峰性原理推广到多维空间中，从而在多维数据集的单峰性评估和聚类数量估计方面表现出良好效果。

    Nov, 2023

  • 高维网络流量数据中变点的检测和定位

    本文提出了一种称为 TopRank 的新颖有效的方法，用于在高维数据中检测变化点，该方法基于数据降维和基于 U 统计量的非参数变化点检测测试，该方法可应用于网络安全领域的异常检测和定位，并在现实的网络数据上进行了验证。

    Aug, 2009

  • 神经奇异黑塞：通过强制奇异黑塞实现无定向点云的隐式神经表示

    基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性，结合拟合正则化项，可以从点云中重建出粗糙但贴合度较高的表面，同时有效抑制幽灵几何并从未定向的点云中恢复细节。

    Sep, 2023

  • 高维网络流量数据变化点的分布式检测和定位

    本文提出了一种新颖的分布式统计检测算法，可用于高容量的网络流量中的变化点检测和鉴定，尤其适用于检测和识别分布式拒绝服务攻击，所提算法 DTopRank 可通过聚合获取的部分信息，实现分布式网络异常检测，并采用中心决策站点上的非参数等级检验方法，综合记录过滤和双重定向时间序列方法以解决海量数据问题，并可应用于合成数据和互联网服务提供商的某一流量跟踪数据。

    Sep, 2009

  • 图时序中用于异常检测的局部统计量

    本文利用生成潜在位置模型将变点检测问题定义为假设检验问题，关注时间序列的随机块模型这一特殊情形，并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性，并在合成数据和 Enron 电子邮件语料库上理论和性能比较，证明了两种统计量在一个简单境况下是可接受的，而其中一种统计量在第二种境况下是不可接受的。

    Jun, 2013

  • 流式异构图快速内存高效异常检测

    StreamSpot 是一种基于聚类的异常检测方法，可以在消耗有限的内存的同时，实时对包含不同节点和边的杂乱图形流进行检测，并可处理超过每秒 100K 条边的数据流。该方法具有良好的性能，并且可以处理从正常浏览器活动到各种攻击情况的各种情况。

    Feb, 2016