考虑不确定性的辅助异常评估与预期异常后验

May, 2024

考虑不确定性的辅助异常评估与预期异常后验

Uncertainty-aware Evaluation of Auxiliary Anomalies with the Expected Anomaly Posterior

Lorenzo Perini, Maja Rudolph, Sabrina Schmedding, Chen Qiu

TL;DR通过填补现有方法缺失的空白，提出了预期异常后验（EAP）方法，一种基于不确定性的评分函数，通过量化异常检测器的总不确定性来衡量辅助异常的质量，在图像和表格数据的 40 个基准数据集上的实验证明，EAP 在大多数情况下优于 12 种适应数据质量估计方法。

Abstract

anomaly detection is the task of identifying examples that do not behave as expected. Because anomalies are rare and unexpected events, collecting real anomalous examples is often challenging in several applications. In addition, learning an anomaly detector with limited (or no) anomal

anomaly detection synthetic anomalies model training auxiliary anomalies uncertainty-based score function

发现论文，激发创造

污染数据异常检测的潜在异常暴露

本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常 vs. 异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

Feb, 2022

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

基于合成时序异常指导的端到端视频异常检测

本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。

Oct, 2021

不规则时间系列的异常预测检测

本文提出一种新型的异常检测方法，称为 “异常的先驱”（PoA）检测，通过神经控制微分方程的神经网络以及多任务学习算法，在金融、制造和网络安全等领域的时间序列数据中取得了比传统方法更优秀的结果。

Jun, 2023

条件变分自编码器进行异常检测

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

离散诱导的狄利克雷后验用于回归的稳健不确定性量化

我们提出了一种用于回归任务的更强大的不确定性量化的广义 AuxUE 方案，并通过实验证明我们的方法在面对噪声输入时可以提供稳健的不确定性估计，并且可以扩展到图像级和像素级任务。

Aug, 2023

利用测试时间增强和一致性评估进行异常检测

本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

Jun, 2022

深度时间序列异常检测的蒙特卡罗 EM

本研究提出了一种结合 Monte Carlo EM 技术的神经网络模型，能够显式地识别和处理时间序列数据中的异常点，通过将潜在的异常点指示变量引入到模型中，提高了模型在标准数据集上的表现。

Dec, 2021

时间序列异常检测的严格评估

本研究分析了时间序列异常检测中评分协议的合理性，并提出了一种新的基准和评估协议，以帮助更精确地评估 TAD 方法并推动未来的研究。

Sep, 2021

深度正未标注异常检测污染未标注数据

通过使用正样本 - 无标签学习和自动编码器等异常检测器，我们提出了一种正样本 - 无标签自动编码器，通过使用无标签数据和异常数据，我们可以近似正常数据的异常得分，从而能够在没有标记正常数据的情况下训练异常检测器来最小化正常数据的异常得分并最大化异常数据的异常得分。实验证明我们的方法在各种数据集上实现了更好的检测性能。

May, 2024