介绍了变分自编码器(VAE)背后的直觉,解释了其背后的数学原理,并描述了它们的一些经验行为。
Jun, 2016
本文研究了基于深度生成模型的异常检测,提出了两种改进的变分自编码器方法用于半监督学习,并在自然图片、天文和医学数据集中取得了显著的异常检测优化。
Nov, 2019
本文提出了一种基于Feature-Augmented VAE的复杂异常模型的新VAE模型,该模型不仅在像素空间中重构输入图像,而且还在多个不同的特征空间中进行重构,通过对先前训练的卷积神经网络进行计算,对MVTec异常检测和定位数据集的表现明显优于现有最先进的方法。
Aug, 2020
本文探讨了如何使用变分贝叶斯和变分自编码器(VAEs)进行异常检测(AD)任务,提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测CERN大型强子对撞机(LHC)实验的触发系统等应用中表现出卓越的性能。
Oct, 2020
通过使用VQ-VAEs结合密度和基于恢复的方法,我们提出一种识别实现无监督异常检测的新方法,该方法通过对图像进行编码将概率分布建模,并将不常见的编码替换为从先验分布中采样的编码集合, 通过对生成的恢复图像和原始图像之间的平均L1距离度量像素级的异常得分,我们对MOOD挑战数据集进行了测试,相比具有VAEs的标准重建方法,我们的方法具有更高的准确性。
Dec, 2020
本研究比较了卷积LSTM和变分卷积LSTM自编码器的性能,讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。
Mar, 2022
提出了一种使用变分自编码器和多头注意力机制进行自动异常检测的方法,可以有效地识别和检测出大部分异常情况,同时还解决了绕过现象并引入了一种新的窗口重映射方法。
Sep, 2023
结合深度变分自编码器(VAEs)和自监督学习(SSL)的新型生成框架,解决了数据稀缺导致的潜在空洞问题,提高了基于重建的时序异常检测方法的稳健性。
Jan, 2024
我们提出了一种新的无监督异常检测方法FCVAE,通过同时集成全局和局部频率特征,显著提高了正常数据的重构准确性,以解决基于VAE的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的“目标注意力”机制,我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对FCVAE进行了评估,结果表明它优于最先进的方法,验证了我们的方法在解决当前基于VAE的异常检测模型的局限性方面的实际适用性。
Feb, 2024
利用统计检验方法提出了 Variational Autoencoder(VAE)在异常检测中的可靠性评估方法,该方法能够量化通过 VAE 检测到的异常区域的统计可靠性,并且可以控制误检的概率。