Jun, 2024

基于深度学习方法的时间复杂网络模型评估与异常检测

PDF
TL;DR基于深度学习的自动方法用于评估和检测演化网络的异常，结果显示该方法在不同数据集上的误差率测量中优于其他方法。
complex networkstemporal network modelsdeep learningresults evaluationanomaly detection
发现论文，激发创造
  • 从城市到系列：利用复杂网络和深度学习改进空间和时间分析

    将复杂网络和机器学习技术相结合，提出了新的神经网络架构以及用于分析和预测人类流动的算法，并开发了用于追踪城市规划中的缺陷和关键节点的技术。

    Jun, 2022

  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 动态网络的生成模型与应用

    本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。

    Feb, 2018

  • 基于深度学习的物联网网络流量分析

    使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常，并在 KDD Cup 99 数据集上实施了一个模型，实验结果展示了异常检测模型的出色性能，达到了超过 98% 的准确率。

    Feb, 2024

  • 演化网络中的时间模式挖掘

    本研究旨在利用时间模式挖掘技术，在不作任何先验假设的情况下，基于观测到的网络快照，探测和表征演化网络在时间上的变化，并从中提取有价值和潜在有用的知识。

    Sep, 2017

  • 多重动态网络中的异常检测：从区块链安全到脑疾病预测

    ANOMULY 是一个用于多重动态网络的无监督边缘异常检测框架，它包括使用 GRU 单元捕获网络的时间特性和在不同类型的关系之间整合信息的注意机制。通过大量实验，ANOMULY 达到了最新技术水平，该方法在大脑网络数据集上的应用也展示了新的工具去理解异常的大脑活动以及与之相关的疾病和障碍。

    Nov, 2022

  • 动态社区结构建模序列与时态网络

    本文开发了一种数据驱动方法，基于 Markov 链模型和贝叶斯推断框架，同时解决了因过度拟合和任意先验时间尺度的影响对网络动态社群结构提取的问题。该方法可以确定相关时间尺度，并识别在网络上发生的动态模式以及塑造网络本身的因素。

    Sep, 2015

  • 一种用于多模态无线传感器网络数据流的动态图神经网络异常检测新方法

    本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型，通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征，并结合节点的空间位置关系，从而大大提高了鲁棒性和 F1 得分。

    Feb, 2022

  • 使用卷积神经网络和迁移学习进行时间序列异常检测

    这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

    May, 2019

  • 使用偏差网络进行深度异常检测

    本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。

    Nov, 2019