（十）Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoder

最新推荐文章于 2022-07-08 17:27:54 发布
最新推荐文章于 2022-07-08 17:27:54 发布
阅读量1.1k 收藏 5
点赞数 6
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WangZixuan1111/article/details/105755017
版权

内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载

论文信息：

  • 2018
  • IEEE
  • VAE+Attention+无监督+异常检测+时间序列

本篇论文需要具备一定的VAE了解及相关的数学知识
我在阅读该论文过程中参考的一些学习网址：

(1)https://zhuanlan.zhihu.com/p/64485020

(2)https://zhuanlan.zhihu.com/p/83865427

(3)https://www.cnblogs.com/asawang/p/10407551.html

视频推导：
https://www.bilibili.com/video/BV15E411w7Pz

如果有一些表达或者理解不对的地方，请大家批评指正！

文章目录

一、论文概要
  • 研究领域
  • 研究对象
  • 目标
  • 方法
  • 结论

在这里插入图片描述

二、相关引入工作

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

三、作者提出的方法
  • 模型
  • Encoder
  • VSAM
  • Decoder
  • 最小化损失函数
  • 异常分数
  • 重建概率
  • 实验

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

四、论文笔记

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

是肉球哇
关注
A Survey on Deep Learning Techniques Applied to medical image analysis
AI天才研究院
08-13 287
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
Variational-Recurrent-Autoencoder:VRAE的实施
05-13
这是用于的主要模型类文件（ICLR 2015讲习班） 为了将MIDI文件预处理为numpy ndarray，我们使用了Boulanger-Lewandowski等人的RNN-RBM模型中的代码。 在找到。 通过直接下载，具体请参见util.py文件。 有关如何使用此类的一些示例代码，请参考 ，它使用了大致相同的结构。
Variational-Recurrent-Autoencoder-Tensorflow, "Generating Sentences from a Continuous Space"的tensorflow实现.zip
09-17
Variational-Recurrent-Autoencoder-Tensorflow, "Generating Sentences from a Continuous Space"的tensorflow实现 连续空间中的 Gerating语句从连续空间中生成句子的Tensorflow实现。先决条件python 软件包：python 3.4或者更高版本Tensorflow r0.12Numpy克隆这里存储库：git clo
Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications
fanqiliang630的博客
11-14 1455
Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications网络结构和随机变量模型重构常规模式的步骤：训练细节 论文链接：https://arxiv.org/pdf/1802.03903.pdf 关键词：Donut算法 网络结构和随机变量 prior: z: $p_\theta(z) \sim N(0, I) $ x: vector of : $x_{t-W+1
Unsupervised Time-Series Representation Learning with Iterative Bilinear Temporal-Spectral Fusion
小蚂蚁与大象
07-08 1393
无监督/自监督时间序列表示学习是一个具有挑战性的问题，因为它具有复杂的动态和稀疏的注释。现有的研究主要采用对比学习的框架，利用基于时间的增强技术对正负号进行抽样，进行对比训练。然而，它们大多使用由时间切片衍生的分段级增强，由于失去全局上下文，可能会导致抽样偏差和错误的优化和假阴性。此外，它们都不注重将光谱信息纳入特征表示。在本文中，我们提出了一个统一的框架，即双线性时间谱融合(BTSF)。具体来说，我们首先利用实例级扩展，在整个时间序列上进行简单的退出，以最大限度地捕获长期依赖项。我们设计了一种新颖的迭代双
unsupervised representation learning for time series with temporal neighborhood coding
小蚂蚁与大象
06-01 609
unsupervised representation learning for time series with temporal neighborhood coding 时间序列往往是复杂和信息丰富，但标签稀疏，因此具有挑战性的建模。在本文中，我们提出了一个学习非平稳时间序列广义表示的自监督框架。我们的方法称为时间邻域编码(TNC)，利用信号生成过程的局部平滑性来定义具有平稳特性的时间邻域。使用一个去偏对比目标，我们的框架通过确保在编码空间中，来自邻域内的信号分布与非邻域信号的分布是不同的来学习时间序
GAN汇总
简简单单
12-26 3025
3D-ED-GAN - Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN - Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial...
（二十八：2021.01.10）MICCAI 2019 追踪之论文纲要（中）
Jojo论文基地
01-09 3309
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I Optical Imaging（光学影像） 概要 1.Enhancing OCT Signal by Fusion of GANs: Improving Statistical Power of Glaucoma Clinical Trials通过GAN融合增强OCT信号：提高青光眼临床试验的统计能力 2.A Deep Reinforcement Learning Framework for Frame-by-Fr
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
Tutorial on Variational Autoencoders
10-24
变分编码器VAE（Variational Auto-encoder）同GAN一样，成为无监督复杂概率分布学习的最流行的方法
这是第十一篇论文分析的PPT
05-01
RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series
《A Review of Unsupervised Feature Learning and Deep Learning for Time-Series Modeling》笔记
weixin_40818267的博客
10-09 896
A Review of Unsupervised Feature Learning and Deep Learning for Time-Series Modeling Abstract ​ 这篇文章所做的： 1.概述时序数据处理中的挑战 2. time-series data 和 unsupervised feature learning 1. Introduction and Backgrou...
AutoEncoder-AnomalyDetection
samanthamao的博客
05-09 762
import warnings warnings.filterwarnings("ignore") import pandas as pd import numpy as np import pickle import matplotlib.pyplot as plt plt.style.use('seaborn') import tensorflow as tf import seaborn as sns from sklearn.model_selection import train_test_s.
Autoencorder理解(7):Variational Autoencoder
Focusing on your own Mind :) －> 站在巨人的肩膀上
12-27 8155
以下将分为6个部分介绍: vae结构框架vae与ae区别提及一下为什么要采样如何优化vae应用vae生成/抽象看待vae学习 1.框架: 先来看一下VAE的结构框架,并先预告一下结论: VAE 包括 encoder （模块 1）和 decoder（模块 4） 两个神经网络。两者通过模块 2、3 连接成一个大网络。利益于 reparemeterization 技巧，我们可以
关于FV(Fisher Vector)和变分自编码VAE（Variational Autoencoder）的原理简介
veronica的博客
07-15 2435
1. FV（Fisher Vector）     FV的思想用一句话概括就是：用所有的聚类中心的线性组合去表示每个特征点     简单来说，假设样本各特征符合独立同分布（i.i.d）则样本的概率分布可以由各个特征维度的概率分布的乘积得到。对该式取对数的话，就可以将乘法运算转换为加法运算，即 Fisher vector就是对上式求偏导的结果归一化后构成的。具体数学推导过程请参考点击打开链接...
智能电网时间序列异常检测:a survey
u013775900的博客
05-16 1925
随着可再生能源发电一体化的快速增加和各种电器的广泛采用，电网面临着越来越多的挑战。一个突出的挑战是对电网内不同类型的异常行为进行有效的异常检测。这些异常行为可能是由用户的异常消费模式、电网基础设施故障、中断、外部网络攻击或能源欺诈引起的。识别这些异常对于现代电网的可靠和高效运行至关重要。对电网时间序列数据进行异常检测的方法有很多种。本文简要介绍了电网时间序列数据异常检测的最新进展。具体来说，我们首先概述了当前电网异常检测领域的研究挑战，并进一步回顾了主要的异常检测方法。最后，我们总结调查结果并指出未来研究的
Variational Auto-Encoders原理
weixin_30883311的博客
06-23 1518
目录 AE v.s. VAE Generative model VAE v.s. GAN AE v.s. VAE Generative model VAE v.s. GAN 转载于:https://www.cnblogs.com/nickchen121/p/11073147....
Tutorial on Variational AutoEncoders
omnispace的博客
01-16 1405
本文是《Tutorial on Variational AutoEncoders》一文部分翻译的内容。 1.介绍 generative model，学习高维数据的概率分布P(X)P(X)。学习到不同维度之间的相互依赖关系，比如手写数字的生成模型如果生成了8的左边一半像素，那么剩下的像素也就能够随之确定。 latent variable，给予生成模型一些信息用来生成数据。比如一个生
论文"Unsupervised Anomaly Detection for Surface Defects with Dual-Siamese Network"中的DFF是怎么实现的，用pytorch实现
最新发布
05-31
self.networks = nn.ModuleList([nn.Conv2d(in_channels=input_dim[i], out_channels=hidden_dim[i], kernel_size=3, padding=1) for i in range(num_networks)]) self.avg_pool = nn.AdaptiveAvgPool2d((1, 1)) #...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

是肉球哇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值