时间序列异常检测中的弱增强变分自动编码器
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
提出了一种序列变分自动编码器模型(SISVAE),其基于 VAE 模型,以及采用平滑性先验,用于多维时间序列的稳健估计和异常检测,这种模型采用灵活的神经网络来参数化每个时间戳的均值和方差。
Feb, 2021
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
利用预测时间下一节点以及基于时间平滑性的模型选择度量,我们提出了一种能够减轻 VAE 学习虚假特征,并能在合成数据集中准确恢复潜在因素的 VAE 架构。
Dec, 2023
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
本文提出了一种基于变分自动编码器的新型体系结构,可用于进行时序数据的合成生成,具有可解释性,能够编码领域知识,训练时间较短。实验表明,该方法在数据相似度和预测性方面均表现优异,依然能够准确地呈现原始数据的时态属性,并且对于下一步预测具有显著的改善效果。最后,该模型可以将特定领域的时间模式融入到生成模型中,提供可解释性的输出。
Nov, 2021
本研究提出了一种基于联邦学习的时序异常检测框架,采用分布式的共享变分自编码器(VAE)结合卷积门循环单元(ConvGRU)模型,对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明,该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。
Aug, 2021
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
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。
Nov, 2023