- 基于颜色 - 热感人工智能的建筑外围检验的单类异常检测
提供了一种无需标签的方法,用于检测建筑外围热成像检查过程中的异常,基于人工智能驱动的从彩色图像预测热分布,可以作为具有高度不匹配的热图区域的单类分类器方法。
- ICLRRobustTSF: 面向具有异常情况的稳健时间序列预测的理论和设计
时间序列预测是许多实际应用中的重要任务,但大部分时间序列预测技术都假设训练数据是没有异常值的。然而,在实践中,由于采集到的时间序列数据可能受到污染,这个假设是不现实的。因此,有必要开发方法从受到污染的数据中自动学习出一个鲁棒的预测模型。本文 - 利用 LSTM 深度学习技术实现加速器粒子轨道异常检测
发展了一种基于机器学习的故障检测方法,利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值,当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验,结果表明,使用单个轨道锁定控制系统组件的监测数据 - 在未来的工厂平台上获得的模拟和多模态制造数据集
本文介绍了两个工业级数据集,这些数据集是在 2023 年 12 月 11 日和 12 日由南卡罗来纳大学的未来工厂实验室收集的。这些数据集是通过使用工业标准的制造装配线生成的,目的是提供工具以进一步研究制造业的智能增强。这些数据集希望填补现 - 对抗性样本在扩散模型流形中不一致
通过扩散模型检测和分析攻击引入的图像异常,结果表明攻击实例与扩散模型的学习流形不一致。
- 多变量时间序列异常检测的图空时过程与缺失值
通过提出一种名为 GST-Pro 的新框架,结合了图形时空过程和异常得分机制来检测多变量时间序列中的异常,即使数据中存在缺失值,该方法也能有效检测并优于现有方法。
- 混凝土桥梁结构异常的多视角三维实例分割,用于强化结构检查
使用三阶段方法,在 3D 空间中从图像级别的检测模型上分割出异常实例,以实现有效的结构损伤评估。
- 独居老年人异常检测的传感器数据模拟
通过提出的传感器数据模拟器,本研究模拟了老年人异常行为,包括状态异常、活动异常和移动异常,模拟结果能较好地反映真实数据的日常变化。
- AAAI噪声机制下异常值的根本原因解释
通过考虑每个机制的个体边缘和节点,引入了噪声功能因果模型来确定异常的根本原因,并采用贝叶斯学习和推断方法来推测节点和边缘的噪声,最后提出了一种高效的基于梯度的归因方法来计算异常归因分数,此方法在模拟数据集和两个真实场景数据集上表现出更好的异 - 异常和异常值检测的元调查
对异常值和离群值对模型估计和数据处理的影响进行了全面的调查,包括对异常检测领域的综述和研究方法进行了研究,揭示了相关主题和方法的发展以及学者在这一领域的写作实践。
- 基于学习的序列控制感知的异常检测
通过学习控制感知,本文解决了检测给定二进制过程中异常的问题。我们设计了一种顺序选择策略,以最小化决策延迟和总感知成本,并使用深度增强学习和深度主动推断算法来解决该问题。
- 每日时间序列异常检测中的季节性虚假异常抑制的 k 参数方法
通过使用分解方法检测日常时间序列中的周模式异常并提出了一种 k - 参数方法,为季节性异常提供可配置的额外容差以压制误导性报警并保留真正的异常点,从而得到了良好的结果。
- MM通过张量分解进行电网异常检测
通过使用非负张量分解的统计行为分析方法,我们在聚变反应实验中展示了提高特异性和准确性的能力,从而能够识别出电网系统中的异常情况。
- ARRQP:具有图卷积的异常韧性实时 QoS 预测框架
在现代的面向服务的体系结构中,保证服务质量 (QoS) 至关重要。本文介绍了一种实时的 QoS 预测框架 (称为 ARRQP),重点改进了对数据异常的鲁棒性。ARRQP 利用图卷积技术来捕捉用户和服务之间复杂的关系和依赖,即使数据有限或稀疏 - 用于现实世界异常分类的潜在空间群集调节
自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器,我们将其潜在空间设为条件,将样本分类为正常数据或异常数据。为了特别强调小的异常,我们进行了实验,在 - 基于面向工业图像分析的基于补丁自编码器的图像或潜空间异常检测
我们研究了基于补丁自编码器的颜色图像异常检测方法,通过比较三种基于错误、潜在空间中正常图像分布的支持估计,以及原始图像和重建图像的恢复版本之间的错误的性能,我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较 - 视频异常检测的多尺度空时交互网络
我们提出了一种多尺度时空交互网络(MSTI-Net),采用基于注意力机制的时空融合模块(ASTM)代替直接融合,并注入多个 ASTM 基础的连接,以促进所有可能的空间时间交互,最终将在多个尺度上学习的正常信息记录在内存中,在测试阶段增强异常 - KDD基于双向流 PARAFAC2 的不规则张量快速准确算法及应用
本文介绍了一种名为 Dash 的高效和准确的 PARAFAC2 分解方法,它可以在双向流设置中快速、准确地分解不规则张量,并有效地处理新矩阵的新行。同时可以发现一些真实世界数据集中的异常情况,例如次贷危机和 COVID-19。
- 通过任何回归模型检测数值数据中的错误
在数据中加入噪声,可以使用任何回归器模型来判断哪些数据值是错误的,该方法可以在数据集中区分真正的异常和自然数据波动,并且可以比传统方法更好地诊断真实的数据集。
- 基于目标的剪切弹性波全波形反演贝叶斯方法
本文提出了一种计算框架来量化组织异常的剪切弹性成像中的不确定性,包括形状和剪切模量等参数的后验概率,采用贝叶斯推断公式,并通过 Markov Chain Monte Carlo 技术来获得统计信息,从而构建了先验概率。