S2DEVFMAP: 基于双集成投票融合的自监督学习框架用于时间序列中最大化异常预测
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
本研究提出了一种基于联邦学习的时序异常检测框架,采用分布式的共享变分自编码器(VAE)结合卷积门循环单元(ConvGRU)模型,对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明,该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。
Aug, 2021
本文提供了两种无监督机器学习方法,用于 PLC 基础 ICS 中的异常检测,分别是加权投票集成方法和使用孤立森林元检测器的堆叠集成方法。研究结果表明,使用孤立森林元检测器的堆叠集成方法在所有性能指标上优于以往的方法,并可以稳健地检测任意 ICS 数据集中的异常。
Feb, 2023
本文系统评估了多种无监督和半监督的基于深度学习的方法,针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验,我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量,该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明,通过动态评分函数,相比静态评分函数,更能提高检测的准确性。而在具体的评分函数的选择上,往往比基本模型的选择更为重要。最后通过实验,我们发现了一个简单而有效的检测器,即基于单变量完全连接的自编码器,并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。
Sep, 2021
本文提出了一种新型的通过联邦学习来检测客户端服务器上有害网络活动的异常检测器,使用自编码器和分类器来判断网络活动是否良性或恶意,研究表明,联邦学习使得全局模型能够从每个客户端的数据中学习,并为每个客户端提供了改善其入侵检测系统防御网络攻击的手段。
Oct, 2022
本文探讨了多传感器融合和集成学习方法在自动驾驶的手部活动识别任务中的应用,展示了采用并行卷积神经网络作为传感器间信息融合的一种迟到融合方法,提出了处理丢失信息的方案,并对该方法进行了比较分析。
Jan, 2023
该论文提出了一种新颖的深度生成模型,采用变分自动编码器架构,利用卷积编码器和解码器从空间和时间维度提取特征,结合注意力机制增强相关特征的表示,改进异常检测准确性,并在安全水处理测试平台的六个阶段进行了全面的实验分析,实验结果表明该方法相比多个先进的基准技术具有更好的性能。
May, 2024
本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架,同时使用辨别器来批判模型,并在多个假设之间强制多样性,在 CIFAR-10 上取得了 3.9%的提高,并将基线模型的误差从 6.8%降低到 1.5%。
Oct, 2018