Apr, 2024

ABCD：基于信任增强的注意力卷积自编码器用于风险评估

PDF
TL;DR这篇研究提出了一种基于注意力机制的卷积自编码器（ABCD）方法，用于检测工业系统中的异常，并将风险值映射到维护计划中。模型通过学习真实工业冷却系统历史数据中电导率的正常行为，并重构输入数据，识别偏离预期模式的异常，提高了性能并减少误报，为冷却系统设计师和服务人员提供宝贵的洞见，并通过校准技术增强了模型的可信度，为维护策略决策提供了明智的选择。
anomaly detectionindustrial systemsattention-based convolutional autoencoderrisk detectionmaintenance planning
发现论文，激发创造
  • 基于注意力的深度生成模型用于工业控制系统中的异常检测

    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

  • 基于动态阈值的卷积自编码器实时异常检测

    创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

    Apr, 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

  • 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

  • 一种无 Attention 的有条件自编码器用于加密货币的异常检测

    本文提出了一种名为 AF-CA 的无注意力条件自编码器，其结合去噪技术和 Attention-Free LSTM 层，可实现时序中的异常检测，结果表明与传统的 LSTM 自编码器相比，该模型能更可靠地检测到嘈杂时间序列中的异常点并更好地解释它们。

    Apr, 2023

  • 高维数据流自适应伯恩斯坦变化检测器

    本文提出了一种名为 ABCD 的方法，用于在高维数据流中检测变化，该方法可以确定变化发生的子空间和严重程度，并比其他最先进的方法表现更好。

    Jun, 2023

  • 参与、提炼、检测：注意力感知的熵提炼用于异常检测

    我们提出了一种基于 DCAM（分布式卷积注意模块）的知识蒸馏方法，可以改善教师和学生网络之间的蒸馏过程，减少多类别或多对象情况下的交叉类干扰问题，并通过最小化空间维度上的相对熵和教师和学生的相同特征图之间的通道相关余弦相似性来实现尺度不变性和捕捉非线性关系。

    May, 2024

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

    表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。

    Oct, 2023

  • 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