Nov, 2023

MACE: 频域中多模式适应和高效异常检测方法

PDF
TL;DRMACE 是一种在频域中为时间序列异常检测而提出的多模式适应和高效的异常检测方法，具有优秀的处理多样化正常模式的模式提取机制、双元卷积机制以及利用频域的稀疏性和并行性来增强模型效率的特点。通过理论和实验证明，使用策略性选择的傅里叶基集合可以减少计算开销并有利于区分异常，同时广泛的实验证明 MACE 在统一模型下处理多样化正常模式时具有高效的最先进性能。
anomaly detectioncloud systemsneural network-based methodstime series anomaly detectionfrequency domain
发现论文，激发创造
  • 多元设备网络中高效基于模式的异常检测

    提出一种可扩展的方法来检测异类行为，包括从关系网络中恢复实体间的关系，基于顺序模式挖掘的异常报告，并扩展顺序模式挖掘以过滤顺序模式。该方法在 9 个基准数据集上表现出显著优势，同时还比最先进的异常检测方法快一个数量级。

    May, 2023

  • 美国东北关键带研究集水区时间序列数据中检测异常峰值模式的自动化机器学习方法

    该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。

    Sep, 2023

  • D-PAD: 深浅多频模式分解用于时间序列预测

    本文提出了 D-PAD，一种深浅多频模式解缠深度学习神经网络，通过引入多组分分解块（MCD block）将时间序列分解为不同频率范围的分量，进而通过分解 - 重构 - 分解（D-R-D）模块渐进性地提取混合在分量中的频率信息，并利用交互与融合（IF）模块进一步分析分量，通过对七个真实数据集的广泛实验表明，D-PAD 达到了最先进的性能，平均 MSE 和 MAE 分别优于最佳基准线 9.48％和 7.15％。

    Mar, 2024

  • 基于统计学习的云自动异常检测

    研究开发了两种新的统计技术，用于自动检测云基础架构数据中的异常，采用季节性分解和鲁棒统计度量，有效实现在季节性高峰存在的情况下的异常检测。从容量规划，用户行为和监督学习三个方面证明了所提出技术的有效性。

    Apr, 2017

  • 基于模式的时间序列风险评分用于异常检测与警报过滤 —— 预测性维护案例研究

    快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

    May, 2024

  • 自适应频率泛锐化与专家混合

    Pan-sharpening research has not explored the potential solution in the frequency domain. This paper proposes the Frequency Adaptive Mixture of Experts (FAME) learning framework, which effectively reconstructs low-frequency and high-frequency information and adapts to remote sensing images with content variations, outperforming other state-of-the-art methods.

    Jan, 2024

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • FECAM: 时间序列预测的频率增强通道注意机制

    本研究提出了一种新的频率增强通道注意力机制，可以自适应地建模通道之间的频率相互依赖关系，避免傅里叶变换中出现的问题性周期性引起的高频噪声，目的是改善当前主流网络的预测能力，并显示出良好的性能。

    Dec, 2022

  • 用于少样本异常检测的双路径频率鉴别器

    我们从频域角度提出了 Dual-Path Frequency Discriminators (DFD) 网络，用于解决少样本异常检测中的问题，并通过鉴别分类模块在特征空间中检测和定位图像级别和特征级别的异常，实验证明我们的方法超过了现有的最先进方法。

    Mar, 2024

  • AcME-AD：用于异常检测的加速模型解释

    AcME-AD 是一种基于可解释人工智能原则的新型方法，旨在提高数据异常检测模型的解释性和可靠性，通过提供本地特征重要性评分和 what-if 分析工具来揭示每个异常的因素，从而帮助解决原因分析和决策问题。

    Mar, 2024