CAV-AD: 自动驾驶车辆网络中异常数据和恶意传感器的鲁棒检测框架
本文提出了一种基于生成对抗网络(GANs)的无监督多变量异常检测方法(MAD-GAN),并在SWaT和WADI数据集上进行了实验,结果表明该方法能够有效地检测这些系统中各种形式的入侵。
Jan, 2019
本文介绍了基于 Temporal Convolution Networks 的多阶段异常检测方法,使用 Vehicle Performance,Reliability和Operations (VePRO) 数据集,结合多个 FWG 的传感器来提供高达96%的检测精度和91%的准确预测。
Sep, 2022
该研究介绍了一个名为MOVAD的智能汽车实时系统,它利用只能捕捉器固定摄像头拍摄的视频进行信息提取和到不同时间段的信息关联来及时响应异常情况。该系统包含视频分析技术和短期记忆和长期记忆两个部分,能够在DoTA数据集的测试中取得比目前同类技术高2.81的准确率。
Feb, 2023
提出了一种名为AD-NEv的可扩展多级优化神经演化框架,用于多变量时间序列异常检测,经实验证明,与深度学习体系结构相比,AD-NEv提取的模型表现更好,且在多个GPU的情况下具有高度可扩展性。
May, 2023
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
GCNetOmaly是一种基于图卷积网络和变分自编码器的异常检测器,用于保护组织的终端设备免受复杂的网络攻击,通过训练模型并应用于连接事件数据,以及机器之间的各种特征数据,该模型能够有效地检测异常行为。
Nov, 2023
本研究通过将阈值问题建模为马尔可夫决策过程,并基于深度 Q 网络提出了一种基于代理的动态阈值 (ADT) 框架,该框架可以用于需要动态阈值的多个系统。通过利用自编码器从复杂输入数据中获取特征表示并生成异常得分,ADT 可以自适应地调整阈值,并显著改善异常检测性能。通过在三个真实数据集上进行实验证明了 ADT 的阈值能力、数据高效学习、稳定性和鲁棒性,并验证了强化学习在异常检测中的最优阈值控制的有效性。
Dec, 2023
使用AD-NEv++方法,通过优化神经进化过程中的突变算子,并支持广泛的神经层面,包括关注、稠密和图卷积层,我们在广泛采用的多变量异常检测基准数据集上进行了大规模实验评估,结果表明AD-NEv++模型在异常检测中胜过知名的深度学习架构和基于神经进化的方法,并且在所有异常检测基准测试中,AD-NEv++可以改进并胜过最先进的图神经网络模型架构。
Mar, 2024
通过在线学习框架,本研究评估了当前视频异常检测算法在现实环境中的适应性,特别是基于姿势分析的算法,在效率和隐私方面具备优势。研究发现,在最具挑战性的情况下,我们的在线学习方法使模型在特定目标领域中保持了89.39%的原始有效性。
Apr, 2024
智能城市中的监控摄像头日益普及,结合在线视频应用的激增,引发了公共安全和隐私保护方面的担忧,促使自动化视频异常检测成为了人工智能领域中的一项基础研究任务。通过深度学习和边缘计算的进展,视频异常检测在智能城市和视频互联网中取得了显著进展和优势,超越了传统算法工程研究范围,成为部署在视频异常检测网络系统中的热点交叉研究领域。本文通过概述各种深度学习驱动的视频异常检测路线的基本假设、学习框架和适用场景,为新手提供了详尽的部署可用的视频异常检测网络系统教程。此外,我们展示了在工业物联网和智能城市方面的最新研究成果,并提供了一种用于部署可用的视频异常检测网络系统的端到云协同架构,以进一步阐明其潜在的研究和应用范围。最后,本文展望了未来发展趋势,并讨论了如何将人工智能和计算技术的融合应用于解决现有研究挑战和促进开放机会,为潜在的研究人员和工程师提供了有益的指导。
May, 2024