KDDJun, 2024

智能家居中的基于时间感知的无监督用户行为异常检测：通过损失引导的掩码方法提高家庭安全性

PDF
TL;DR借助互联网物联网技术，智能家居为人们带来了很大的便利，但也因用户的不当操作和恶意攻击等异常行为而存在安全隐患。本文就智能家居用户行为的异常检测提出了 SmartGuard 方法，它通过自编码器结合动态掩码策略、时间感知的位置嵌入和噪声感知的重构损失等技术，在三个数据集上的综合实验中表现出色，并提供了高度可解释的结果。
smart homesinternet of thingsuser behavioranomaly detectionsmartguard
发现论文，激发创造
  • 多变量时间序列异常检测的无监督短期和长期遮罩表示

    该研究论文提出了基于无监督的短期和长期遮蔽表示学习的异常检测方法，结合注意力机制和时间序列编码来提高多变量时间序列的预测性能和可解释性， 实验证明该方法在三个实际数据集上的性能优于其他最先进的模型。

    Aug, 2022

  • UMAD：无监督自动驾驶遮罩层异常检测

    本研究利用生成世界模型和无监督图像分割，重新审视无监督异常检测，并提出 UMAD 方法，其在无监督异常检测方面表现优于现有技术。

    Jun, 2024

  • 无监督异常检测和定位的自监督遮掩

    这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

    May, 2022

  • 自监督学习的自适应记忆网络用于无监督异常检测

    本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

    Jan, 2022

  • MAD：自监督多元时间序列遮蔽异常检测任务

    本文提出了一种名为 MAD 的新型自监督学习任务，用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分，使得模型在训练中通过学习预测掩蔽的数据能力，比传统的左到右预测任务取得更好的异常检测结果。

    May, 2022

  • 时序位移 —— 用于改进异常摔倒检测的多目标损失函数

    老年人跌倒是全球范围内导致伤害和死亡的重要原因。准确的跌倒检测可以帮助减少潜在伤害和其他健康并发症。不同类型的视频模态可用于家庭环境中进行跌倒检测，包括 RGB、红外和热像仪。本文提出了一种名为时间位移的新的多目标损失函数，旨在在一系列连续帧的窗口内预测未来和重建的帧。该方法在包含多个相机模态的半自然状态下跌倒检测数据集上进行了评估。该方法对于多个模型都取得了显著的改进，具备在跌倒检测以外的其他环境中提高异常检测能力的潜力。

    Nov, 2023

  • 面向时间异常定位的基于一致性自监督学习

    本文针对弱监督异常检测进行研究，利用自监督学习策略，通过对同一视频序列数据进行不同变换来使模型获得相同的分数，并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。

    Aug, 2022

  • 自抽掩蔽自编码器是高效的视频异常检测器

    本研究提出了一种基于轻量级掩蔽自编码器的高效异常事件检测模型，它能够利用运动梯度进行权重计算、结合师生解码器来提高检测效果、通过生成合成异常事件来扩充训练数据，同时将原始帧和对应的像素级异常地图一同重新构建，在三个基准测试上表现出优异的速度和精度。

    Jun, 2023

  • 基于遮罩图像建模的航空农业图像无标签异常检测

    使用自监督学习和掩蔽自编码器的方法，通过检测农业无人机图像中的异常像素来实现农田异常检测，从而提高在农业领域的生产效率。

    Apr, 2024

  • 一种基于异常检测 LSTM 框架的不对称损失方法用于电力消耗预测

    通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。

    Feb, 2023