PeFAD：一种参数效率高的时序异常检测联邦框架

KDDJun, 2024

PeFAD：一种参数效率高的时序异常检测联邦框架

PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection

Ronghui Xu, Hao Miao, Senzhang Wang, Philip S. Yu, Jianxin Wang

TL;DR利用参数高效联合异常检测（PeFAD）框架，通过利用预训练语言模型（PLM）作为客户端本地模型的主体，减少通信开销和本地模型适应成本，同时采用一种新颖的异常驱动蒙版选择策略以缓解训练过程中忽略异常值的影响。在共享的隐私保护数据集上还提出了知识蒸馏操作，以解决客户端间的数据异质性问题，实验证明 PeFAD 优于现有最先进基准方法最多达 28.74%。

Abstract

With the proliferation of mobile sensing techniques, huge amounts of time series data are generated and accumulated in various domains, fueling plenty of real-world applications. In this setting, time series anomaly detection is practically important. It endeavors to identify deviant s

time series anomaly detection decentralized time series data parameter-efficient federated anomaly detection pre-trained language model anomaly-driven mask selection strategy

发现论文，激发创造

FadMan：跨多个属性网络的联邦异常检测

该论文提出了一种基于垂直联合学习的算法 FadMan，用于多个属性网络和不带属性网络上的异常检测，涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面，实验结果表明，FadMan 在准确率方面比竞争方法至少高 12％。

May, 2022

FGAD: 自助强化知识蒸馏的有效联邦图异常检测框架

我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。

Feb, 2024

PerAda: 具有保证的参数高效且可推广的联邦学习个性化

本文提出了一种名为 PerAda 的参数高效的 Federated Learning 框架，采用预训练模型，使用少量适配器参数进行通信，实现了与基线方法相比更好的个性化性能和广义性能，尤其是在测试时分布发生变化的情况下。

Feb, 2023

工业物联网中基于通信效率高的设备联邦学习方法的时间序列深度异常检测

本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50％通信开销。

Jul, 2020

PFA：隐私保护联邦适应以实现模型有效个性化

本文介绍了一种名为 PFA 的新框架，旨在以联邦方式实现更好的个性化结果。PFA 利用神经网络的稀疏性生成隐私保护表示，并使用这些表示来高效识别具有相似数据分布的客户端，从而进行分组并在联邦模型上进行群体式联邦学习来完成自适应过程。该框架能够保障客户端隐私，并在多个 FL 数据集上通过实验证明了其有效性和优越性。

Mar, 2021

基于衰减函数的时间序列异常检测评估策略

本文提出了一种新的 Point-Adjusted protocol with decay function (PAdf) 评估方法用于评估时间序列异常检测算法，并通过实验证明了该方法能够正确解决现有方法所存在的过度和低估性问题。

May, 2023

TFAD: 一种基于时频分解的时间序列异常检测架构

本文提出了一种基于时间 - 频率分析的时序异常检测模型，TFAD，能够利用时间和频率域中的信息来提高性能，并在设计的时频架构中加入了时序分解和数据增强机制，以进一步提高性能和可解释性。经实证研究表明，该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。

Oct, 2022

联邦变分学习用于多元时间序列异常检测

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

金融表格数据的联邦异常检测

利用潜在表示学习和联邦学习技术改进了组织内未知异常的检测，通过仅共享模型参数而保护数据隐私，并在分布式环境中对金融和图像数据集进行了有效评估。

Apr, 2024

金融异常检测的垂直和水平分割数据上的隐私保护联合学习

我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

Oct, 2023