（十四）A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Seri

最新推荐文章于 2024-03-12 16:44:37 发布
最新推荐文章于 2024-03-12 16:44:37 发布
阅读量3.4k 收藏 24
点赞数 23
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/106425482
版权

相关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
分析参考链接1
分析参考链接2

论文链接：A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in
Multivariate Time Series Data

论文代码：https://github.com/7fantasysz/MSCRED

论文信息

  • 2018
  • AAAI
  • 多元时间序列+异常检测+Attention+AE+ConvLSTM+MSCRED

目录

一、论文动机

在这里插入图片描述

二、论文方法

1、特征提取——构造特征矩阵
2、重构
3、评估
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、论文实验

在这里插入图片描述

四、论文小结

在这里插入图片描述

是肉球哇
关注
  • 23
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
[文献阅读]A deep neural network for unsupervised anomaly detection and diagnosis in MTSD
RegulusF的博客
03-01 4010
A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data 发表会议：2019 AAAI Movation: 1.多元时间序列异常检测和诊断是要在时间步长中识别异常状态并查明原因。作者要建立这样的一个系统。 2.系统需要捕获每个时间序列中的事件依赖性，同时对不同时间序列对之间的相互关系进行编码，并且需要抗噪声能力，还可以根据不同事件的严重性为操作员提供不同等级的
Forward Neural Network for Time Series Anomaly Detection
12-26
腾讯的研究论文，摘要：Time series anomaly detection is usually formulated as finding outlier data points relative to some usual data, which is also an important problem in industry and academia....
【读论文】A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time...
qq_42757191的博客
08-23 1694
文章提出的方法：多尺度卷积递归编码器-解码器（Multi-Scale Convolutional Recurrent Encoder-Decoder, MSCRED） 该方法的主要思路： (1) MSCRED首先构造多尺度（分辨率）特征矩阵来描述跨不同时间步的多级系统状态，系统状态的不同级别表示不同异常事件的严重程度。 (2) 给定签名矩阵，使用卷积编码器对传感器之间的相关模式进行编码，并使用基于注意力的卷积长短时记忆(ConvLSTM)网络对时间信息进行建模； (3) 使用卷积解码器重构特征矩阵，
【时序异常检测翻译】3.A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate T
yy1158047452的博客
02-25 2418
多元时间序列数据无监督异常检测与诊断的深层神经网络 摘要 如今，多变量时间序列数据越来越多地被收集到各种现实世界的系统中，例如发电厂、可穿戴设备等。多变量时间序列中的异常检测和诊断指的是识别特定时间步中的异常状态并查明其根本原因。然而，建立这样一个系统具有挑战性，因为它不仅需要捕获每个时间序列中的时间依赖性，还需要对不同时间序列对之间的相互关联进行编码。此外，该系统应对噪声具有鲁棒性，并根据不同事件的严重程度为操作员提供不同级别的异常评分。尽管已经开发了许多无监督异常检测算法，但很少有算法能够共同应对这些挑
【论文阅读】TranAD: Deep Transformer Networks for Anomaly Detection inMultivariate Time Series Data
weixin_45141860的博客
10-20 2734
多变量时间序列数据中的有效异常检测和诊断对于现代工业应用非常重要。但是，构建能够快速准确地查明异常观测结果的系统是一个具有挑战性的问题。这是由于现代应用中缺乏异常标签，数据波动性高以及超低推理时间的要求。尽管最近开发了用于异常检测的深度学习方法，但只有少数方法可以解决所有这些挑战。在本文中，我们提出了TranAD，这是一种基于深度变压器网络的异常检测和诊断模型，该模型使用基于注意力的序列编码器在了解数据中更广泛的时间趋势的情况下快速执行推理。
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data
小蚂蚁与大象
06-04 2447
对多元时间序列数据进行有效的异常检测与诊断对现代工业应用具有重要意义。然而，建立一个能够快速准确地定位异常观测的系统是一个具有挑战性的问题。这是由于在现代应用中缺乏异常标签、高数据波动性和超低推断时间的要求。尽管最近有了用于异常检测的深度学习方法，但只有少数方法能够解决所有这些挑战。在本文中，我们提出了TranAD，这是一个基于深度变压器网络的异常检测和诊断模型，它使用基于注意的序列编码器，根据数据中更广泛的时间趋势知识快速执行推断。TranAD使用基于焦点分数的自我调节来实现鲁棒的多模态特征提取和对抗训练
论文阅读：ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation
01-07
文章目录1 摘要2 亮点2.1 initial模块和bottlebeck模块2.1.1 initial模块2.1.2 bottlebeck模块2.2 PReLU2.3 普通卷积、非对称卷积、空洞卷积混合使用2.4 ENet总体结构3 效果4 结论5 参考资料 1 摘要 ...
3DRegNet A Deep Neural Network for 3D Point Registration.pdf
10-19
3DRegNet: A Deep Neural Network for 3D Point Registration 本文介绍了一种深度神经网络架构，称为3DRegNet，用于3D点云注册。该架构可以解决两个挑战性问题：（i）分类点对应关系为inliers/outliers，（ii）回归...
【CVPR2018】A Constrained Deep Neural Network for O
06-14
【CVPR2018】A Constrained Deep Neural Network for Ordinal Regression是计算机视觉领域的一篇研究论文，发表于2018年的计算机视觉与模式识别会议（CVPR）。这篇论文探讨了如何利用深度学习技术解决有序回归问题，...
Pavlov Associative Memory in A Memristive Neural Network and Its Circuit Implementation
02-22
Associative memory is the process by which an association between two stimuli or a... (c) building a memristive neural network (MNN) circuit, for the first time, to realize the Pavlov associative memory.
时间序列异常检测论文TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data
qysh123的专栏
02-06 761
可以看作是论文中的一个W_t，前面的一个d是128个W_t的集合，也就是T=128，但是permute之后的意义全变了啊，其实在我的例子里，[7,8]也就是[3,4]，但是这样一来，序列长度就是128了，而且在训练的时候，感觉是用后面的metric value预测前面，这不就是leakage了吗？我已经花了两天多在这个model上了，真是感觉不值，不得不再吐槽一句，学术界真的是太垃圾太浮躁了。由于工作需要，想用一下这篇论文的方法，但感觉其代码还是有很多不清除的地方，简单总结一下。
【时间序列】ICDE 2021丨时间序列相关研究论文汇总
AI蜗牛车
08-27 1559
IEEE ICDE（IEEE International Conference on Data Engineering）是 IEEE 的旗舰会议，和 SIGMOD、VLDB 并称数据库领域...
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 1 基于重构的方法
要相信光
11-24 1万+
文章目录前言1. 基线 AE/VAE2. 基于inpainting思想2.1 SMAI (BMVC2020)2.2 SCADN (AAAI2021)2.3 RIAD (PR2021)3. 基于Memory Bank3.1 前言 在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然能够正常重构，而异常样本由于分布的差异，导致重构效果较差，从而可以通过像素级的比较得到异常得分，判断一个样本
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 0 异常检测简述
热门推荐
要相信光
10-24 2万+
无监督异常检测领域进展研究，包括了概念介绍、常用数据集介绍、方法分类等等。
【阅读论文】USAD：多变量时间序列上的无监督异常检测
zijin-jdd的博客
04-06 2716
IT系统的自动监控是Orange目前面临的挑战。考虑到其IT运营所达到的规模和复杂性，随着时间的推移，用于推断正常和异常行为的测量所需的传感器数量急剧增加，使得传统的基于专家的监督方法变得缓慢或容易出错。在本文中，我们提出了一种快速而稳定的方法，称为基于反向训练的自动编码器的多变量时间序列的无监督异常检测（USAD）。其自动编码器架构使其能够以无监督的方式进行学习。对抗性训练及其架构的使用使其能够隔离异常，同时提供快速训练。
【论文阅读】：用于多元时间序列数据异常检测的深度变压器网络（一）
最新发布
m0_72317955的博客
03-12 1506
写这篇文章的目的是记录一下自己的学习历程，如文中存在不当之处，敬请各位读者不吝赐教，给予宝贵意见和指正！今天要分享的文献是《TranAD:Deep Transformer Networks for Anomaly Detection in Multivariate Time Series》，2022年发表。
USAD-UnSupervised Anomaly Detection on Multivariate Time Series一种基于自编码器的多元时间序列无监督异常检测
wfl6666的博客
10-29 1538
提出了一种基于反向训练自编码器的快速稳定的多变量时间序列无监督异常检测方法。它的自动编码器架构使它能够以无监督的方式学习。对抗训练及其体系结构的使用使得它能够在提供快速训练的同时隔离异常。
USAD : UnSupervised Anomaly Detection on Multivariate Time Series
小蚂蚁与大象
06-07 1546
IT系统的自动监管是Orange目前面临的一个挑战。考虑到其IT业务的规模和复杂性，随着时间的推移，用于推断正常和异常行为所需的传感器数量急剧增加，使得传统的基于专家经验的监管方法变得缓慢或容易出错。本文提出了一种基于逆训练自编码器的多元时间序列无监督异常检测(USAD)方法。它的自动编码器架构使它能够以一种无监督的方式学习。对抗性训练的使用及其架构使其能够隔离异常，同时提供快速训练。我们通过在5个公共数据集上的实验研究了我们的方法的性质，从而证明了它的鲁棒性、训练速度和较高的异常检测性能。通过使用Oran
2022最新！基于深度transformer的时间序列异常检测模型
weixin_36896856的博客
03-04 7794
点击上方“python与机器智能”，选择“星标”公众号 重磅干货，第一时间送达论文：TranAD: Deep Transformer Networks for Anomaly Detect...
an adaptive neural network for unsupervised mosaic consistency analysis in i
04-27
针对图像拼接中自动拼接算法的挑战，研究人员提出了一种自适应神经网络，用于无监督图像拼接一致性分析。该算法采用两个步骤进行图像拼接。首先，使用一种自动对齐算法对输入的图像进行对齐。然后，使用适应性神经网络来对齐后的重叠区域进行一致性分析。该算法利用了多个尺度的图像金字塔以及神经网络的分层结构，以生成高质量的拼接图像。 该算法的主要优点是无需人工标注的数据集，可以自动适应不同的数据集，并适应多种不同的图像拼接情况。此外，该算法还具有较高的准确性和鲁棒性，可以在复杂的拼接环境中保持稳定的表现。 总体来说，这种自适应神经网络算法为无监督图像拼接一致性分析提供了一种高效和准确的解决方案。同时，该算法还为应用于自动驾驶、无人机、VR等领域中的数据拼接提供了可能。
评论 5
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