移动网络中的故障检测与扩散模型
扩散模型在多元时间序列异常检测中显示出潜力,通过比较基线模型和使用 ROCK-AUC 指标扩展的 PA% K 协议,在合成数据集上表现优于其他模型,在真实世界数据集上表现竞争力。
Nov, 2023
提出了一个基于双层联邦图神经网络的异常检测和诊断模型,能够以保护隐私的方式在电信网络中检测异常,同时最小化通信成本,并通过实际网络数据在三种设置下对异常检测模型进行性能分析,结果显示个性化联邦图神经网络方法优于常用的异常检测技术。
Nov, 2023
该研究探讨了扩散模型在无监督和半监督异常检测中的应用,并在相应的基准测试中表现出了出色的性能,特别是在 DTPM 中,使用深度神经网络提高推断效率,获得了比 DDPM 更快的推理时间和更好的性能。
May, 2023
该研究提出了一种使用时间序列插补和扩散模型相结合的新型异常检测框架 ImDiffusion,用于准确和可靠地检测多元时间序列数据中的异常数据,该框架在基准数据集上的广泛实验中表现出较高的检测准确性和时效性,是一种开创性的方法。
Jul, 2023
首次从防守者和攻击者的角度对扩散模型进行了系统研究,探索了被破坏的扩散模型中毒噪声输入的可检测性和躲避机制,并提出了基于分布差异的低成本触发器检测方法。
Feb, 2024
本文介绍了一种基于扩散模型的工业 4.0 实时异常预测方法,并采用神经符号方法将工业本体论集成到模型中,为智能制造添加形式化知识。最后,提出了一种简单而有效的方式来通过随机傅里叶特征将扩散模型压缩到一个嵌入式系统中,以直接集成到制造过程中。
Jul, 2023
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
Jan, 2024
本文提出了一个模块化的异常分类框架,用于自动检测和分类电信网络中的异常,研究采用时间序列模拟器生成真实网络 KPI 行为的合成时间序列,构建检测模型和分类模型,并验证了在真实网络时间序列数据中应用合成异常上训练的分类模型的良好性能。
Aug, 2023
利用扩散模型 (Diffusion Models) 和 NetDiffus,将一维时间序列网络流量数据转换为二维图像,并生成代表原始数据的合成图像,以提高生成数据的保真度和机器学习任务的性能。在七个不同的流量追踪数据实验中评估 NetDiffus,并证明利用合成数据显著改善了流量指纹识别、异常检测和流量分类。
Sep, 2023