(十一)RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal MTS

最新推荐文章于 2022-12-21 22:49:02 发布
最新推荐文章于 2022-12-21 22:49:02 发布
阅读量1.1k 收藏 4
点赞数 4
分类专栏： 论文解析
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/105877318
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

论文链接：https://arxiv.org/pdf/1911.07104.pdf

论文信息

  • 2019
  • Compute Science
  • GAN+Attention+ConvlSTM+无监督

文章目录

一、论文概要
  • 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

三、作者提出的方法
  1. 作者提出的方法 RSM-GAN
  2. 相关引入
  3. 相关模块及功能介绍
  • 训练阶段
    • MTS to Image Conversion（多元时间序列转换成多通道相关矩阵）
    • RSM-GAN的架构
    • Encoder和Decoder的内部结构
    • 平滑注意力机制
  • 测试阶段
    • 异常分数分配
    • 根本原因评分系统
  1. 实验设置及结果分析
  • 实验评估指标
  • 实验结果分析及讨论
    • 不同异常评分分配方法的模型性能
    • 不同根本原因评分方法下的根本原因识别绩效
    • 污染容限评估
    • 季节性评估
    • 在真实数据集上的性能

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

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

是肉球哇
关注
  • 4
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
Unsupervised Anomaly Detection with GAN
11-22
Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker DiscoveryUnsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
rsm-customtheme-aio:RSM Switzerland AG的Alfresco主题定制
04-03
它创建一个新的主题（rsm-customtheme），为非管理员删除一些菜单项，并为登录页面设置一个新的背景图像。 使用./run.sh build_start或./run.bat build_start并验证它 运行Alfresco内容服务（ACS） 运行Alfresco...
异常检测——Anomaly Detection
热门推荐
学渣的博客
06-09 1万+
目录1.问题来源2.应用3.分类3.1 case1：With Classifier3.2 case2：Without Labels3.2.1 问题阐述4.异常侦测系统（模型）的评价指标自己定义AUC5.遇到检测错误的点 1.问题来源 概括：找和训练集不一样的数据。 2.应用 难点：异常点难以收集，无法穷举。我只能收集到正常情况的训练数据。 3.分类 3.1 case1：With Classifier 1.对每个非异常成员打标训练。 2.查看每一条数据 预测矢量 的最大值 c(x)，比较异常点和非异常
（九）Anomaly Detection Based on Convolutional Recurrent Autoencoder for IoT Time Series
WangZixuan1111的博客
04-16 2121
论文信息： 2020 IEEE 异常检测+时间序列+CNN+Autoencoder（LSTM）+DNN 本篇论文是在上一篇《Web traffic anomaly detection using C-LSTM neural networks》的基础上进行的，本篇作者在两个方面进行了改进： 1.数据预处理方面； 2.模型方面 文章目录一、概括二、相关的工作三、作者的研究方法四、论文笔记 一、概...
异常检测，GAN如何gan ?
idol24的博客
12-15 3126
欢迎点击上方蓝字，关注啦 ~相关阅读：【1】GAN在医学图像上的生成，今如何？虚拟换衣！速览这几篇最新论文咋做的！脸部妆容迁移！速览几篇用GAN来做的论文GAN整整6年了！是时...
初学者关于ConvLSTM的理解
ArowerYoung的博客
12-21 1万+
选择最常见的基于Pytorch深度学习框架的ConvLSTM代码，在他人已有注解的情况下，逐行对代码进行详细的注解，供新手理解。
angular-rsm:我的GitHub个人资料的配置文件
04-10
Rkng10 该项目是使用版本10.0.2生成的。 开发服务器 为开发服务器运行ng serve 。... 如果您更改任何源文件，该应用程序将自动重新加载。 代码脚手架 运行ng generate component component-name生成一个新的组件。...
论文研究-RSM-A宽带卫星通信系统MAC层技术研究 .pdf
08-15
RSM-A宽带卫星通信系统MAC层技术研究，刘巍，周文安，互联网的繁荣发展以及其自身需求的不断增加，宽带卫星通信技术将会在未来的很长一段时间内成为研究的重点。本文重点分析了RSM-A卫�
elemental-chat:Holochain RSM的聊天DNA
04-14
元素聊天 执照： 一个相当基本的聊天应用程序。 包括频道，并行使各种全息链功能，包括信号。... nix-shell 安装holochain和hc二进制文件： hc-install 构建元素聊天DNA（假设您仍在nix shell中，以获取上述步骤中正确...
arbeidsrettet-dialog:前端对话框
03-15
Arbeidsrettet对话 Arbeidsrettet-dialog er andverktøy，适用于NAV的veiledere og brukere。 Verbrøyet女士在Arbeidsrettetoppfølging或Kommunisere med ... 在GitHub上发布关于eventuellespørsmål的文章
Long Short Term Memory Networks for Anomaly Detection in Time Series
11-16
Long Short Term Memory Networks for Anomaly Detection in Time Series - LSTM在时序数据中的应用
D-GAN用于时空预测的深度生成对抗网络
zuiyishihefang的博客
04-13 2730
1文章信息《D-GAN: Deep Generative Adversarial Nets for SpatioTemporal Prediction》2摘要出租车需求、交通流、区域降雨等...
这么多！过去30天GAN的进展都在解决什么方向的问题？
idol24的博客
12-06 1233
想成为一名优(guan)秀(shui)的scut的研究僧，不看论文怎么行？！（哈哈，开玩笑==）Yann LeCun评价GAN是过去十年间，机器学习领域最让人激动的点子 过去的30多天里...
（七）Outlier Detection for Time Series with Recurrent Autoencoder Ensembles 基于递归自编码集成的时间序列离群点检测
WangZixuan1111的博客
04-09 3143
本文发表于2019年IJCAI会议上，全文主要围绕“异常检测+时间序列+集成+自编码器”展开，以下是我学习本篇论文后的收获，如有不正确的地方，请大家批评指正！ 研究方向 写作动机 实现思路 文章创新 ...
生成式对抗网络(GANs)及变体
ssshyeong的博客
06-21 5537
GAN的起源及发展至今的一些变体，简单介绍思想及实现。
论文笔记：C-RNN-GAN/ Continuous recurrent neural networks with adversarial training
travalscx的博客
09-11 1652
使用中间层结合了RNN的GAN来生成时间序列数据
异常检测文献阅读
qq_40791607的博客
04-21 544
Outlier Detection for Time Series with Recurrent Autoencoder Ensembles文献阅读 这篇文章发表于2019年的IJCAI会议 摘要 作者提出了两种基于RNN自编码器集成的时间序列异常检测方法。这两种方法利用了sparsely-connected RNN构建的自动编码器。这种网络使得产生具有不同神经网络连接结构的多个自动编码器成为可能。这两种方法是集成框架，特别是独立框架和共享框架，两者都结合了基于Multiple S-RNN的自动编码器来实现
（一）一种硬盘故障预测的非监督对抗学习方法（2019-西安电子科技大学学报）
WangZixuan1111的博客
03-20 1277
该篇论文主要围绕“异常检测+硬盘故障预测+GAN+非监督”展开，以下是个人对整篇文章脉络的整理和理解。 文章目录一、论文概括二、相关的研究三、论文主体——提出基于LSTM的非监督对抗学习方法 一、论文概括 研究对象 目的 方法 结论 结果 二、相关的研究 方法及问题 问题的原因分析 前人的具体研究方法和结果 三、论文主体——提出基于LSTM的非监督对抗学习方法 异常检测流程 作者所...
（八）Web traffic anomaly detection using C-LSTM neural networks 基于C-LSTM神经网络的Web流量异常检测
WangZixuan1111的博客
04-16 2115
论文信息： 2018 AAAI 异常检测+时间序列+CNN+LSTM+DNN 本周学习了两篇关于时间序列异常检测的论文，两篇论文都是使用C-LSTM模型，下一篇是在本篇论文的基础上进行的，先介绍这篇论文的主要内容，如有表述或者理解不对的地方，请批评指正。 文章目录一、概括二、相关的研究工作三、作者的研究方法 一、概括 研究对象 目标 方法 实验 结果 二、相关的研究工作 三种不同类别的...
T/CSAE 53-2017《合作式智能运输系统 车用通信系统应用层及应用数据交互标准》
最新发布
02-01
该标准包含了BSM（Basic Safety Message）、MAP（Map Data）、SPAT（Signal Phase and Timing）、SRI（Status Request Information）、RSM（Road Side Message）等通信协议，并详细阐述了17个应用场景的说明。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
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