Apr, 2024

使用 Transformer 自编码器进行业务流程的异常修正

PDF
TL;DR基于 Transformer 自编码器的业务过程异常修正方法能够高效处理任意长度的事件序列，并且可以直接输出修正后的业务过程实例，从而适应各种场景，通过自监督学习将异常检测转化为分类问题，无需设置特定阈值，在确保高运行效率的同时，在异常检测准确性和异常修正结果方面优于以往方法。
event loganomaly detectionautoencoder-based methodsbusiness processtransformer autoencoder
发现论文，激发创造
  • 基于自编码器的工业冷却系统异常检测和故障定位

    本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。

    Oct, 2022

  • 使用深度自动编码器网络检测大规模会计数据中的异常

    本研究使用深度自编码神经网络进行高效的会计异常检测，实验结果表明，此方法在比基准方法下有更少的误报率且能捕捉高度相关的会计异常。

    Sep, 2017

  • 动力发电厂异常检测中的标签辅助自编码器

    提出了基于标签辅助的自动编码器模型用于发现发电厂燃料消耗的异常，检测准确率为 97.20％，可以根据程度对异常进行分类，相较于已有模型较优。

    Feb, 2023

  • 通过图神经网络检测物体中心业务流程中的异常事件

    该研究提出了一种利用图神经网络和面向对象的流程挖掘的框架来检测业务流程中的异常事件，结果表明该方法在活动类型和属性层面上能够很好地检测异常，但在事件的时间顺序上存在困难。

    Feb, 2024

  • 加强注意力的自编码器用于建筑能耗异常检测

    研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。

    Mar, 2023

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 基于注意力机制和自编码器的无监督在线异常检测模型

    本文介绍了一种用于时间序列中的无监督在线异常检测的混合注意力和自编码器（AE）模型。该模型结合了注意力和自编码器的方法进行时间序列异常检测，通过对自编码器潜在空间中的下一个时间步骤窗口进行预测，使用验证数据集中的阈值进行异常检测，并引入了基于错误的第一统计矩的替代方法，提高了准确性。通过对多样的真实世界基准数据集进行评估，并与其他成熟模型进行比较，验证了我们提出的模型在异常检测中的有效性。

    Jan, 2024

  • 利用深度卷积自编码器进行电力系统干扰的无监督聚类

    该论文提出了一种使用自编码器和 K 均值聚类的无监督学习技术，可将电力质量事件分类为下降、中断、瞬变、正常和谐波畸变等类别，并使用 t 分布随机邻域嵌入（t-SNE）可视化工具分析这些聚类，便于快速研究大量事件，为电力系统工程师诊断和纠正根本问题提供帮助。

    Jun, 2023

  • 时间序列无监督异常检测的降噪架构

    通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。

    Aug, 2022

  • 大型强子对撞机新物理挖掘的变分自编码器

    使用物理过程训练的变分自编码器，开发了一种单边阈值测试，以隔离先前未见的过程作为异常事件，并且这种算法可以识别丢失的异常事件，扩展了 LHC 的科学范围。

    Nov, 2018