ECATS: 基于概念的可解释度异常检测方法用于时间序列
本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题,以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式,适合进行分析和理解。
Dec, 2016
利用因果发现学习系统的正常因果图,通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上,我们的方法具有更高的训练效率,超越了最先进神经网络架构的准确性,并准确地识别了 10 种以上不同的异常。
Apr, 2024
基于数字孪生的课程学习的异常检测方法 LATTICE 通过引入课程学习来优化 ATTAIN 的学习过程,并在五个真实世界的 CPS 测试平台上的评估结果显示,LATTICE 在 F1 得分方面优于三个基准模型和 ATTAIN,并且平均减少 4.2% 的 ATTAIN 训练时间和检测延迟时间与基准模型相当。
Sep, 2023
本文提出了一种新的基于数据驱动的系统范围异常检测框架,其基于符号动力学的概念构建了一种时空特征提取方案,用于发现和表示 CPS 子系统之间因果相互作用,结果表明,该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。
Dec, 2015
透明异常检测概念解释(ACE)是一种基于深度学习技术的新方法,旨在提供可解释的异常检测结果,并能与人类有效交互,具有与黑盒模型相比更高或相当的性能,并可与其他基于分类的异常检测方法无缝集成。
Oct, 2023
利用生成对抗网络(GAN)进行复杂的网络型智能物理系统的异常检测,通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为,针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。
Sep, 2018
本论文研究了如何在物理控制系统中高效检测数据分布的异常点,提出了利用归纳式一致性预测和异常检测方法进行检测的方案,并通过仿真实验在自动驾驶和紧急制动系统中得到了良好的实验结果。
Jan, 2020
基于模型的异常检测通过将学习到的时序自动机与系统相关的形式知识图谱相结合,提供了对模型和检测到的异常的更简单的解释和理解,并提出了必要概念的本体论,该方法在一个五罐混合 CPPS 上进行验证,并能正式定义自动机模型和自动机执行的时间异常。
Aug, 2023
在基于深度学习的异常检测的基础上,提出了一种用于一体化诊断的方法,通过生成输入数据来解决在网络物理系统研究中的异常检测和诊断问题。针对模拟和真实的网络物理系统数据集进行评估,结果表明该模型相对于其他最新技术模型表现出较强的性能。
Nov, 2023
应用概念激活向量(CAVs)方法,本研究旨在理解深度学习模型内部状态,进而解释大规模变压器模型中的脑电图(EEG)数据,通过定义解释性概念和选择相关数据集来建立概念在潜在空间中的基础。研究结果表明,外部标记的 EEG 数据集和解剖学定义的概念形成是两种有效的机制。
Jul, 2023