fSEAD: 一个可组合的基于 FPGA 的流式集成异常检测库

Jun, 2024

fSEAD: 一个可组合的基于 FPGA 的流式集成异常检测库

fSEAD: a Composable FPGA-based Streaming Ensemble Anomaly Detection Library

Binglei Lou, David Boland, Philip H.W. Leong

TL;DR提出了一种机器学习集合体的异常检测器，它基于 FPGA，采用多重可重构区域的柔性计算架构，并支持多种异常检测算法，通过最大程度利用 FPGA 资源以及通过运行时的组合和合并结果来优化精度。

Abstract

machine learning ensembles combine multiple base models to produce a more accurate output. They can be applied to a range of machine learning problems, including anomaly detection. In this paper, we investigate h

machine learning ensembles anomaly detection fpga-based streaming ensemble anomaly detector partially reconfigurable regions high-level synthesis

发现论文，激发创造

用于实时神经科学实验的 LFADS 的 FPGA 部署

使用 LFADS 模型和 FPGA 实现的高效实时数据处理方法，能够从高维度的神经尖峰数据中推断出潜在的动态，为研究神经人群动力学和提高计算算法的实时处理能力提供了新的机会。

Feb, 2024

LightESD: 面向边缘计算的全自动轻量级异常检测框架

提出了一种全自动、轻量级、基于统计学习的异常检测框架，该方法适用于边缘设备上学习，不需要边缘设备和服务器之间的数据传输，可以自动适应任何数据集，并在检测准确率、效率和资源消耗方面优于其他最先进的方法。

May, 2023

PeFAD：一种参数效率高的时序异常检测联邦框架

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%。

Jun, 2024

智能入侵检测系统的可重构边缘硬件：系统性方法

本文分析智能入侵检测系统（I-IDS）的概念，并针对边缘设备的特定需求以及可重构性等多个方面挑战，介绍了一种在可重构边缘硬件上构建智能入侵检测系统的系统化方法，通过实现所提出的纯 FPGA 数据流处理器（DFP）和以 RISC-V 软核为特色的基于 FPGA 的软核处理器（SCP）的共同设计方法，比较了该领域的现有技术。结果表明，DFP 和 SCP 在硬件资源和能量效率方面都适用于边缘应用，所提出的 DFP 解决方案明显优于现有技术，并且在不会引起过高硬件成本的情况下实现了所需的高性能，使其适用于现代通信技术等边缘高速应用。

Apr, 2024

一种基于强化学习的数据流粗粒度可重构阵列应用映射方法

该论文介绍了使用增强学习和全局图注意力模块来优化 SDF 图到流式引擎上的映射问题，并通过掩码技术提高奖励函数得分，取得了 10% 更好的指令调度结果。

May, 2022

边缘流实时异常检测

提出了 MIDAS 和 MIDAS-F 算法，基于流图数据并在恒定的时间和空间内在线检测异常，特别是检测微簇异常，通过调整异常得分函数和引入条件合并步骤，MIDAS-F 相比 MIDAS 有更高的准确性和更低的误报率，是一种可靠的异常检测方法。

Sep, 2020

一种用于移动网络故障分类的有监督嵌入和聚类异常检测方法

利用 Supervised Embedding and Clustering Anomaly Detection (SEMC-AD) 方法，通过使用深度神经网络提取每个日志的数值表示，断代 One-hot 编码，评估嵌入的鲁棒性，并应用多元正态高斯聚类方法，实现高效异常检测及网络维护。

Oct, 2023

流式异常检测

该论文提出了多种在线算法用于发现动态图和多方面数据流中的异常行为，并探讨了使用记忆模块的自动编码器来处理概念漂移的有效性。

Jan, 2023

一种用于离散化围墙防御问题的分散式基于脉冲的序列学习框架

提出一种新颖的去中心化脉冲神经网络学习框架，用于离散化的周界防御问题。该框架通过使用具有突触效能函数的多标签分类器，以从神经元的角度解决 Multi-Task Assignment 问题。实验结果表明，这种方法比传统方法更具可伸缩性。

May, 2023

跳过基准：使用生成机器学习生成系统级高级综合数据

该论文提出了一种名为 Vaegan 的新方法，利用生成式机器学习生成足够强大以支持复杂系统级高级综合设计空间探索实验的合成数据，该方法使用变分自动编码器（VAE）和生成对抗网络（GAN）来进行任务，并使用先进的数据集和度量标准对方法进行评估，与之前的工作进行比较，表明 Vaegan 可以有效生成与真实数据分布接近的合成高级综合设计空间数据。

Apr, 2024