Jun, 2024

xSemAD：使用序列到序列模型进行可解释的事件日志语义异常检测

PDF
TL;DR本文提出了一种名为 xSemAD 的方法，通过使用序列到序列模型学习给定过程模型存储库中的约束，并在考虑的事件日志中检查这些约束是否成立，从而超越了传统的纯识别方法，提供了扩展的解释。实验证明，该方法优于现有的最先进的语义异常检测方法。
发现论文，激发创造
  • MLAD: 多系统日志异常检测的统一模型

    提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

    Jan, 2024

  • 从事件提示中学习视频异常检测中的疑似异常

    提出了一种用于弱监督视频异常检测的新颖框架，通过计算潜在异常事件的文本提示词典与异常视频生成的字幕之间的语义异常相似性，标识每个视频片段的疑似异常事件，并通过多提示学习过程约束所有视频的视觉 - 语义特征，提供了一种为自训练标记伪异常的新方法。通过全面实验和详细消融研究，在四个数据集（XD-Violence、UCF-Crime、TAD、ShanghaiTech）上表现出优于大多数最先进方法的性能（82.6%，87.7%，93.1% 和 97.4%），并在开放集和跨数据集情况下展示了有希望的性能。

    Mar, 2024

  • 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

  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 2023

  • AcME-AD：用于异常检测的加速模型解释

    AcME-AD 是一种基于可解释人工智能原则的新型方法，旨在提高数据异常检测模型的解释性和可靠性，通过提供本地特征重要性评分和 what-if 分析工具来揭示每个异常的因素，从而帮助解决原因分析和决策问题。

    Mar, 2024

  • DABL：利用大型语言模型检测企业流程中的语义异常

    利用大型语言模型（LLMs），引入 DABL 来检测业务流程中的语义异常，通过广泛的实验表明 DABL 在泛化能力和学习给定流程方面超过了现有最新的语义异常检测方法。用户可以直接应用 DABL 来检测其自己的数据集中的语义异常，并能用自然语言解释异常的原因，提供有价值的洞察。

    Jun, 2024

  • 深度半监督异常检测

    本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。

    Jun, 2019

  • 多元设备网络中高效基于模式的异常检测

    提出一种可扩展的方法来检测异类行为，包括从关系网络中恢复实体间的关系，基于顺序模式挖掘的异常报告，并扩展顺序模式挖掘以过滤顺序模式。该方法在 9 个基准数据集上表现出显著优势，同时还比最先进的异常检测方法快一个数量级。

    May, 2023

  • 大型语言模型可提供准确且可解释的时间序列异常检测

    LLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT）方法模仿专家逻辑进行决策过程，为用户决策提供解释。

    May, 2024

  • 弱监督异常检测：一项综述

    本研究是第一部弱监督异常检测方法的全面调查，将其分为三个弱监督设置，以及四种数据模态，并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验，并发布了源代码，以及一些弱监督异常检测方法和数据的收集。

    Feb, 2023