关键词semi-supervised anomaly detection
搜索结果 - 9
- 深度正未标注异常检测污染未标注数据
通过使用正样本 - 无标签学习和自动编码器等异常检测器，我们提出了一种正样本 - 无标签自动编码器，通过使用无标签数据和异常数据，我们可以近似正常数据的异常得分，从而能够在没有标记正常数据的情况下训练异常检测器来最小化正常数据的异常得分并最 - 基于因果推论的自适应强化学习异常检测方法
本研究提出了一个创新的反事实因果强化学习模型，称为 Tri-CRLAD，利用因果推断机制，显著提高半监督模型的性能，增强模型在面对未知或稀有数据时发现异常数据的能力，并通过三重决策支持机制进一步提升模型的灵活性和泛化能力，在包括卫星系统、医 - 单帧未来视频预测用于视频异常检测
通过将初始和未来的原始帧替换为相应的语义分割地图，我们引入了从单帧进行未来视频预测的代理任务，以克服以往方法在学习更长动态模式方面的挑战，并展示了该方法在基准数据集上的有效性和优越性。
- RoSAS: 深度半监督异常检测与抗污染连续监督
该研究提出了一种新的半监督异常检测方法，使用污染鲁棒连续监督信号并采用质量插值方法以及基于特征学习的目标来解决异常污染问题，并在 11 个真实数据集上展示了显著优于现有方法 20%-30% 的性能提升。
- AnoOnly: 无需正常数据损失的半监督异常检测
AnoOnly, a semi-supervised anomaly detection framework using weak supervision with batch normalization, addresses the is - 半监督异常检测的零样本域适应
本研究提出了一种面向 SSAD 的领域自适应方法，其中没有针对目标领域的异常数据。该方法利用变分自编码器和领域对抗网络生成无域变化的潜在变量，结合加权损失函数来近似理想损失函数，旨在解决 SSAD 在适应领域迁移方面的问题。实验结果表明该方 - KDD分析原始梯度检测异常
本文提出了一种名为 R2-AD2 的半监督异常检测方法，用于检测新的样本数据。该方法采用端到端的神经网络结构，通过分析多个训练步骤中的梯度分布，可在严格的半监督设置环境下可靠的检测离群点。
- DASVDD: 深度自编码支持向量数据描述符 用于异常检测
该研究提出了一种新的半监督异常检测方法 DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验 - 一种基于神经网络的边缘设备本地学习异常检测器
提出了 ONLAD 与其 IP 核 ONLAD Core，并且将其优化到能够在一毫秒以内快速序列学习以跟随概念漂移，在边缘设备上进行低功耗的设备学习，从而实现了不需要边缘和服务器之间执行数据传输的独立执行。实验结果表明，ONLAD 具有优秀