Nov, 2023

具有变分自编码器的快速基于粒子的异常检测算法

PDF
TL;DR我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。
发现论文，激发创造
  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • SLAC Linac 相干光源的弹性 VAE：无监督异常检测

    利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

    Sep, 2023

  • 用于异常喷注标记的变分自编码器

    本文通过使用低级别喷注构成信息，针对大型强子对撞机的异常喷注标记对变分自编码器（VAEs）进行了详细研究。在无监督的情况下对背景下的 QCD 喷注进行训练，VAE 能够对重建喷注进行重要信息的编码，并学习潜在空间中表现力强的后验分布。我们呈现了不同方法来检测异常情况，并对距离相关性正则化的基于质量去相关的 VAEs 进行了研究。 最终我们提出了异常暴露 VAE（OE-VAE），以构建一个性能优越的去相关异常喷注标记器，实现了异常检测灵敏度和去除异常得分中重力的两个目标。

    Jul, 2020

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 变分自编码器用于异常检测的统计检验

    利用统计检验方法提出了 Variational Autoencoder（VAE）在异常检测中的可靠性评估方法，该方法能够量化通过 VAE 检测到的异常区域的统计可靠性，并且可以控制误检的概率。

    Feb, 2024

  • MA-VAE：基于多头注意力的变分自编码器方法用于汽车耐久性动力系统测试中的异常检测

    提出了一种使用变分自编码器和多头注意力机制进行自动异常检测的方法，可以有效地识别和检测出大部分异常情况，同时还解决了绕过现象并引入了一种新的窗口重映射方法。

    Sep, 2023

  • 基于分层条件变分自编码器的声学异常检测

    该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

    Jun, 2022

  • 重温 VAE 的无监督时间序列异常检测：一种频率视角

    我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

    Feb, 2024

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 基于变分自编码器学习概念的蜂窝网络可解释异常检测

    该研究采用变分自编码器的方法解决了在移动网络中可解释的异常检测问题，该方法可以学习每个关键性能指标的可解释表示，使用重构误差和 Z 分数检测异常，通过附加信息中心增强表征学习，从而实现了异常可解释性和自主检测，同时展示了深度学习算法处理大数据的潜力。

    Jun, 2023