Jan, 2024

DACR：基于分布增强对比重建的时间序列异常检测

PDF
TL;DR基于时间序列数据的异常检测是识别故障、故障、威胁和异常值的关键，该研究提出了 Distribution-Augmented Contrastive Reconstruction (DACR) 以改进深度学习技术在复杂和高度动态的实际场景中的应用，实验证明 DACR 在各种异常检测方案中达到了最新的最佳状态。
anomaly detectiontime-series datadeep learning techniquesdistribution-augmented contrastive reconstruction (dacr)state-of-the-art time-series anomaly detection
发现论文，激发创造
  • DCdetector：用于时间序列异常检测的双关注对比表征学习

    本文提出 DCdetector 模型，采用多尺度双重注意力对比度表示学习，实现时间序列异常检测的最新结果。

    Jun, 2023

  • DACAD：领域自适应对比学习多元时间序列中的异常检测

    本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

    Apr, 2024

  • 深度对比单类时间序列异常检测

    提出了一种基于深度对比学习的时序对比一类异 常检测方法（COCA），具有优秀的性能，并通过两个真实世界的 时间序列数据集的广泛实验进行验证。

    Jul, 2022

  • 失衡航空器数据异常检测

    提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

    May, 2023

  • 基於上下文區分對比學習的時間序列異常檢測

    针对时间数据中的异常检测问题，提出了一种新的方法，借鉴了 DeepSVDD 的损失函数，结合了 Neutral AD 的确定性对比损失，提高了在实际工业数据集中的性能表现。

    Apr, 2023

  • 可学习数据增强的自监督时间序列异常检测

    我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供了一种基于梯度的诊断技术来帮助确定根本原因。

    Jun, 2024

  • CARLA：一种用于时间序列异常检测的自监督对比表示学习方法

    我们引入了一种自监督对比表示学习方法（CARLA）用于时间序列异常检测，这是一种创新的端到端自监督框架，精心开发，用于识别单变量和多变量时间序列数据中的异常模式。通过利用对比表示学习，CARLA 能够为时间序列窗口生成稳健的表示。它通过 1）学习时间上接近的窗口的相似表示和窗口及其等效异常窗口的不相似表示，以及 2）使用自监督方法根据表示空间中的最近 / 最远邻居对窗口的正常 / 异常表示进行分类，有效地解决了时间序列数据中异常检测的固有挑战。通过在 7 个标准实际时间序列异常检测基准数据集上进行广泛实验，CARLA 表现出比现有最先进结果更好的 F1 和 AU-PR。我们的研究突显了对比表示学习在推动时间序列异常检测领域的巨大潜力，为该领域的新型应用和深入探索铺平了道路。

    Aug, 2023

  • DRAEM— 面部异常检测的鉴别训练重构嵌入

    本文提出了一种基于判别模型的重构异常嵌入模型（DRAEM），用于解决视觉表面异常检测问题，该方法无需手工后处理即可实现异常区域定位。实验结果表明 DRAEM 在 MVTec 异常检测数据集上比当前最先进的无监督方法优异得多，甚至在 DAGM 表面缺陷检测数据集上也可以接近全监督方法的检测性能，并且比全监督方法在定位准确度上表现更好。

    Aug, 2021

  • DEGAN：使用生成式对抗网络鉴别器和密度估计的时间序列异常检测

    本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。

    Oct, 2022

  • ReContrast：通过对比重构实现领域特定的异常检测

    本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

    Jun, 2023