Apr, 2024

融合字典学习和支持向量机的无监督异常检测

PDF
TL;DR本研究通过稀疏表示技术改进了一类支持向量机（OC-SVM）用于无监督异常检测，提出了一种将 OC-SVM 和 DL 残差函数融合为单一复合目标的新异常检测模型，并通过 K-SVD 类型的迭代算法进行求解，同时将 DL 模型适应于字典对学习（DPL）上下文中，进一步扩展这两个目标以允许使用核函数，并对其参数进行了深入分析，通过与现有方法的比较展示了数值性能。
发现论文，激发创造
  • 选择性字典学习的异常检测

    本文采用基于字典学习和核字典学习的异常检测方法，通过无监督方法来适应已知的字典学习和核字典学习算法用于异常值检测，在大数据集问题中，提出了一种减小核矩阵的版本，同时通过随机选择信号来改进字典学习和减小核矩阵版本的方法，用于消除训练过程中的异常值，并在异常检测工具箱中引入了所有的算法，并与标准基准结果进行了比较。

    Jul, 2023

  • 非相干核字典学习的分类

    基于字典学习的新分类方法，包括基于核的不连贯字典学习的改进版本以及表示更新方面的 AK-SVD 算法的改进，测试在多个经典分类问题的数据库上。

    Jul, 2023

  • 可扩展解释性深度学习和随机傅里叶特征的单类支持向量机

    提出了基于自编码器的一类支持向量机（AE-1SVM）模型，结合表示学习架构，采用随机傅里叶特征来逼近径向基核，集成了终端到终端的训练，可用于异常检测，并且拓展了深度学习在异常检测中的可能应用，并且，该模型在无监督的异常检测任务中表现显著优于之前采用分离训练的工作。

    Apr, 2018

  • 监督式字典学习

    本文提出了一种新的稀疏表示模型，该模型采用共享字典和多个类别判定函数来描述不同类别的信号，并提出了学习该模型所有组件的优化方法，进一步提高了手写数字和纹理分类任务的准确性。

    Sep, 2008

  • 可分离字典学习

    本文介绍基于分离结构的字典学习方法，使得学习过程中可以处理更大的图像块，并且字典在重建任务中被有效地应用。

    Mar, 2013

  • 使用分布鲁棒优化方法进行不确定性下的异常检测

    基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

    Dec, 2023

  • 深度支持向量

    通过实证研究表明，深度学习模型中的深度支持向量（Deep Support Vectors，DSVs）类似于支持向量机（Support Vector Machines，SVM）中的支持向量，从而为解释模型的决策标准提供了一种切实可行的方法。此外，我们的发现表明，可以使用 DSVs 有效地重建模型，类似于 SVM 的过程。代码将会提供。

    Mar, 2024

  • 知识蒸馏用于异常检测

    无监督深度学习技术广泛用于识别异常行为。该研究介绍了一种基于知识蒸馏的新型过程，用于将无监督异常检测模型压缩成监督可部署模型，并提出了一套提高检测敏感性的技术集合。压缩模型在显著减小大小和内存占用的同时，性能与较大模型相当。

    Oct, 2023

  • 高效的外积字典学习（SOUP-DIL）及其在逆问题中的应用

    通过使用外积求和估计未知变量，然后使用块坐标下降方法来解决问题，本文探讨了连续稀疏惩罚词典学习的高效方法，并提出了与块坐标下降和外积求和方法有关的新算法来进行自适应图像重构。

    Nov, 2015

  • 使用支持向量机在 KDDCUP'99 和 NSL-KDD 数据集上的入侵检测系统：一项综合调查

    该研究回顾了当代文献，针对支持向量机（SVMs）作为分类器的不同类型的入侵检测技术进行了综合调查，并仅关注在网络安全领域中最广泛使用的两个数据集：KDDCUP'99 和 NSL-KDD 数据集。研究人员提供了每种方法的总结，确认了 SVMs 分类器的作用并列出了涉及到的所有其他算法，并以表格形式对每种方法进行了重要评论，这些评论强调了评估指标，优点和局限性。

    Sep, 2022