Jan, 2024

McUDI: 模型中心化无监督退化指示器用于故障预测 AIOps 解决方案

PDF
TL;DR本文介绍了一种模型中心的无监督退化指标 (McUDI)，能够检测 AIOps 模型由于数据变化而需要重训练的确切时刻，并展示了在 AIOps 解决方案的维护流程中使用 McUDI 可以减少需要注释的样本数量，对于作业故障预测减少了 30k 个样本，对于磁盘故障预测减少了 260k 个样本，同时获得与定期重新训练相似的性能。
发现论文，激发创造
  • 了解无人监督的超出分布检测的数据不变量

    该研究通过对不同基准和图像模态的大规模评估，表明目前最流行的无监督离群检测方法无法一致地优于基于预训练特征和 Mahalanobis 距离的简单异常检测器，并基于对训练数据集中的不变性的表征提出了一个无监督离群检测的特征描述，该特征被运用在 MahaAD 方法中，解释了其质量，并能用于解释无监督离群检测器的预测并提供未来评估的见解。

    Nov, 2021

  • 未知故障模式下的退化建模与预测分析

    该研究提出了一种基于降维技术 UMAP 的故障模式诊断方法，通过将每个单元的退化轨迹投影和可视化到低维空间，并利用这些退化轨迹开发基于时间序列的聚类方法来识别训练单元的故障模式。最后，引入一种具有单调约束的预测模型，能够同时预测测试单元的故障模式标签和剩余寿命，并保持剩余寿命预测值在连续时间步长中的单调性。该模型通过飞机燃气涡轮发动机数据集进行了验证。

    Feb, 2024

  • RUAD: 针对 HPC 系统的无监督异常检测

    该研究提出了一种基于长短期记忆单元的 RUAD 模型来解决高性能计算系统中异常检测的无监督学习问题，该模型通过考虑数据中的时间依赖性显著提高了半监督和无监督状态下的 AUC 性能表现。

    Aug, 2022

  • 持续无监督的外部分布检测

    不断进行未标注 OOD 检测的新设置，使用融合 Mahalanobis 距离和最近邻方法的 U-OOD 评分函数，并设计了一种置信度缩放的少样本 OOD 检测器，大幅改善相关领域的强基准模型。

    Jun, 2024

  • 监控机器学习模型：在线检测相关偏差

    该研究提出了一种序列监测方案，通过考虑测量模型质量的时间依赖性，减少不必要的警报并解决多重测试问题，从而在检测模型质量相关变化方面优于基准方法。此研究为在动态环境中区分小幅波动和有意义的模型性能退化提供了实用解决方案，确保机器学习模型的可靠性。

    Sep, 2023

  • SUOD: 面向可扩展的无监督异常检测

    提出一种名为 SUOD 的加速框架，该框架由三个模块组成：随机投影模块、平衡并行调度模块和伪监督逼近模块，旨在缩短训练和预测无监督检测模型的时间。实验证明，SUOD 在处理高维大型数据集时表现出良好的效果。

    Feb, 2020

  • DISYRE: 无监督异常检测中的扩散激发的合成修复

    通过使用 Diffusion-Inspired SYnthetic REstoration（DISYRE）方法，学习适用于无监督异常检测（UAD）的评分函数，该方法使用逐渐引入的合成异常损坏代替了高斯噪声来模拟医学自然发生的异常，实验证明 DISYRE 在三个常见脑部 MRI UAD 基准中在两个任务中显著优于其他方法。

    Nov, 2023

  • EntropyStop: 无监督深度异常检测与损失熵

    研究旨在研究异常值对训练阶段的影响，并提出了一种名为 Loss Entropy 的零标签熵度量来推断训练的最佳停止点，然后基于此开发了一种自动化的早停算法 EntropyStop，该算法通过在最大模型检测能力时停止训练来提升 AutoEncoder（AE）的性能。

    May, 2024

  • （可预测的）无监督异常检测中的性能偏差

    本研究评估了数据集构成对多个保护变量上的无监督异常检测模型性能造成的影响，并引入了新的子组 - AUROC 度量方法，结果显示数据集构成对 UAD 模型的不公平性性能有显著影响。

    Sep, 2023

  • 基于深度学习的具有不确定故障模式的资产剩余寿命预测

    该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

    May, 2024