Mar, 2024

多变量时间序列中降维对异常检测性能的影响探索

PDF
TL;DR本文通过对 MUTANT 和 Anomaly-Transformer 模型进行维度降低技术与高级无监督时序异常检测模型的全面实证研究，以 MSL、SMAP 和 SWaT 三个不同数据集为例，发现维度降低不仅可以减少计算复杂度，而且在某些情况下显著提高异常检测性能，同时大幅缩短训练时间，对于时间序列分析领域具有重要意义。
发现论文，激发创造
  • 基于降维方法的高光谱成像异常检测的经验分析

    最近的研究尝试使用高光谱成像（HSI）来检测产品中的异物，因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法，通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题，从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明，与特征提取方法相比，特征选择方法在推断阶段显示出 6.90 倍的更快速度，同时保持了异常检测的性能。最终，我们得出结论，特征选择方法具有高效且快速的优势。

    Jan, 2024

  • 多语种 Transformer 中的降维技术探索

    这篇论文旨在探讨多维降维技术对多语言 Siamese Transformer 模型在语义文本相似性任务上的性能影响，针对 Semantic Textual Similarity Benchmark 进行了测试，并通过可视化结果得出了在高维度嵌入计算中使用降维技术的潜力及其对语义意识任务性能的影响。

    Apr, 2022

  • 应用无监督学习技术对抗金融犯罪：聚类和降维在反洗钱中的应用

    探索在反洗钱数据中降低维度并提升聚类结果准确性的最有效方法，结果显示 Kernel Principal Component Analysis (KPCA) 在大多数情况下结合聚类方法表现优于其他降维技术。

    Feb, 2024

  • 经典降维的一种模型：UMAP 和 t-SNE 的概率视角

    该论文表明降维方法 UMAP 和 t-SNE 可以近似重构为与 ProbDR 中引入的广义 Wishart 模型对应的 MAP 推断方法，这种解释不仅可以提供对这些算法更深入的理论洞察，还引入了研究类似降维方法的工具。

    May, 2024

  • 理解降维工具的工作原理：一种实证方法用于解析 t-SNE、UMAP、TriMAP 和 PaCMAP 进行数据可视化

    本文旨在深入探讨降维方法中保留局部和全局结构的重要性，针对保留局部结构提出了一些新的设计原则，并发掘出保留哪些部分对于保持全局结构的重要性，在此基础上提出一种新的降维算法 PaCMAP，该算法同时保留了局部和全局结构，并为构建降维算法时提供了一些出乎意料的设计选择报告。

    Dec, 2020

  • 高维数据异常检测的压缩 PCA 子空间方法

    本文研究了随机投影在主成分分析及子空间检测方法中的应用，结果表明，当数据具有良好压缩的协方差时，随机投影数据的异常检测算法的表现与原始数据的异常检测算法的表现相当。

    Sep, 2011

  • 面向多元时间序列异常检测的高效深度自编码器

    通过剪枝、量化和深度自编码器压缩方法，本文提出了一种能够在有限时间和内存约束下实现模型大小减小的方法，以便在高度受限的硬件环境中更快速和容易采用的压缩模型，并在多变量异常检测中实现显著的模型压缩比（80% 至 95%）而不显著降低异常检测性能。

    Mar, 2024

  • 利用集成技术检测多变量时间序列中的异常

    多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

    Aug, 2023

  • 半监督图学习 meets 降维

    本文研究了使用 PCA，t-SNE 和 UMAP 等降维技术对半监督图神经网络中节点标签的传播效果，并通过 Cora 和 Citeseer 等数据集进行了量化和定性分析，并发现在某些情况下，将降维技术应用于 GNN 的输入和输出可以同时提高半监督节点标签传播和节点聚类的有效性。

    Mar, 2022

  • 基于随机投影的降维技术综述

    本文总结了基于随机投影的不同方法的使用情况，旨在帮助实践者为其特定应用选择合适的技术，并列举了各种方法的优缺点，并为研究人员提供进一步的参考，以开发新的基于随机投影的方法。

    Jun, 2017