Apr, 2024

工业流程和物联网环境中准确快速的异常检测

PDF
TL;DR我们提出一种新颖、简单且广泛适用的半监督异常检测程序 SAnD（Simple Anomaly Detection），它由五个步骤组成：平滑滤波器、方差膨胀因子、马哈拉诺比斯距离、阈值选择算法和特征重要性技术，各自利用众所周知的统计工具。根据我们的了解，SAnD 是首个集成这些工具以识别异常并帮助解读其潜在原因的程序。我们展示了每个步骤如何解决从业者在检测工业环境中的异常时遇到的技术挑战，其中信号可能高度多重共线，分布未知，并且短期噪声与长期实际异常交织在一起。SAnD 的开发受到我们的工业合作伙伴的具体案例研究的启发，我们在此使用该案例研究来展示其有效性。我们还通过将其与来自异常检测文献的公共数据集上的一些半监督方法进行比较，评估了 SAnD 的性能。我们得出结论，SAnD 在异常检测和运行时间方面都是有效的，广泛适用，并且优于现有方法。
发现论文，激发创造
  • SeMAnD: 自我监督的多模态地理空间数据异常检测

    提出了一种称为 SeMAnD 的自监督异常检测技术，用于检测多模态地理空间数据中的几何异常。SeMAnD 利用数据增强策略 RandPolyAugment 和自我监督训练目标，在多模态数据的表示、对齐和融合方面学习具有区分性的表示，能够检测到现实世界的缺陷并在异常分类 AUC 方面优于通用领域的异常检测策略。

    Sep, 2023

  • 深度半监督异常检测

    本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。

    Jun, 2019

  • 使用 SAAD 增强汽车系统中的异常检测：统计聚合异常检测

    该论文介绍了一种称为统计聚合异常检测（SAAD）的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合，通过在汽车领域的硬件在环（HIL）环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层，极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明，单独的统计方法达到了 72.1% 的准确性，而单独的深度学习模型达到了 71.5% 的准确性。相比之下，聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分，优于单独的模型。这些结果强调了 SAAD 的有效性，并展示了其在各个领域，包括汽车系统中的广泛应用潜力。

    Jun, 2024

  • 无监督异常检测：使用聚合的规范扩散

    我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

    Dec, 2023

  • 智能卫星物联网系统的异常检测任务

    基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

    Mar, 2024

  • SensorSCAN: 化学过程中自监督学习和深度聚类用于故障诊断

    本文提出了一种名为 SensorSCAN 的新型无监督故障检测和诊断方法，主要应用于化学传感器数据的处理，实验结果表明，该方法在公开数据集上的表现优于现有算法，能够有效检测出工业生产中的故障。

    Aug, 2022

  • AnoRand: 随机标注的半监督深度学习异常检测方法

    文章提出了一种新的基于深度学习与随机合成标签生成相结合的半监督异常检测方法 AnoRand，采用自编码器和噪声检测技术，生成一定比例的合成异常样本，并在合成和真实数据集上进行了实验，结果表明该方法优于大多数无监督和有监督算法。

    May, 2023

  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 2023

  • 基于统计学习的云自动异常检测

    研究开发了两种新的统计技术，用于自动检测云基础架构数据中的异常，采用季节性分解和鲁棒统计度量，有效实现在季节性高峰存在的情况下的异常检测。从容量规划，用户行为和监督学习三个方面证明了所提出技术的有效性。

    Apr, 2017

  • 智能制造的特征异常检测系统 (FADS)

    本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

    Apr, 2022