Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals-TKDE-A类-

最新推荐文章于 2024-05-02 18:08:45 发布
最新推荐文章于 2024-05-02 18:08:45 发布
阅读量2k 收藏 7
点赞数 1
分类专栏： 论文阅读 时空 文章标签： 深度学习 机器学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/qq_41831741/article/details/121945533
版权

a25-2021-TKDE(A类)-无监督-Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals-精度-基于预测和基于重构

代码链接：https://github.com/7fantasysz/MSCRED
引用库链接：https://pyod.readthedocs.io/en/stable/
挑战：

  1. 由于时间序列数据中的时间成分，时空域异常检测变得更加复杂。传统的异常检测技术无法处理多变量时间序列信号，因为它们不能同时捕获空间和时间依赖性。
  2. 基于重构的模型通常用于异常检测。假设异常样本的压缩与正常样本的压缩不同，并且异常样本的重构误差会更高。在现实生活中，受模型的高复杂性和数据的噪声的影响，异常输入的重构误差也可以用训练模型很好地拟合。
  3. 为了降低多传感器数据的维数并检测异常，广泛采用两步法。两个模型分开训练，容易陷入局部最优。

解决办法：
提出了一种新的基于深度学习的异常检测算法，称为深度卷积自编码记忆网络(CAE-M)。
CAE+MMD+Attention机制+BiLSTM+AR

首先构建一个深度卷积自编码器，利用最

最低0.47元/天 解锁文章
好想发论文
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
(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
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。
time series 讲解
09-04
Time Series Segmentation: A Sliding Window Approach 的原版文章
网络安全顶刊——TDSC 2023 论文清单与摘要（4）
最新发布
漏洞战争
05-02 239
276、Secret-to-Image Reversible Transformation for Generative Steganography最近，将秘密信息转换为生成的图像的生成隐写术已成为一种有希望的技术，用于抵抗隐写分析检测。然而，由于秘密到图像转换的低效性和不可逆性，很难找到信息隐藏容量和提取准确性之间的良好折衷。为解决这一问题，我们提出了一种用于生成隐写术的秘密到图像可逆转换（S2...
（十四）A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Seri
WangZixuan1111的博客
05-29 3440
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 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+ConvLST
异常检测论文翻译——A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
I'm not perfect, but I keep trying.
07-27 3621
原文链接：DeepAnT----A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series 摘要 传统的基于距离与维度的异常检测技术不能检测流数据中的具有周期性的点异常，这使得在物联网时代，时间序列异常检测存在着较大差距。为了解决这个问题，我们提出了一个新的基于深度学习的时间序列异常检测方法（Dee...
UAINETS: FROM UNSUPERVISED TO ACTIVE DEEP ANOMALY DETECTION(译)
qq_40305043的博客
03-09 308
UAINETS: FROM UNSUPERVISED TO ACTIVE DEEP ANOMALY DETECTION 匿名作者 双盲评审 译者：王晴天 （最近看了一篇论文，翻译了挺久的。希望小可爱们看了可以给晴天点赞，晴天会更有动力继续将资源分享上来的！欢迎转发哦 Abstract 这项工作提出了一种主动异常检测的方法，该方法可以建立在现有的深度学习解决方案的无监督异常检测的基础上。我们表明，需...
A Spatiotemporal Deep Learning Approach for Unsupervised Anomaly Detection in Cloud Systems
熊熊小姐的博客
12-11 999
《A Spatiotemporal Deep Learning Approach for Unsupervised Anomaly Detection in Cloud Systems》-2020-TNNLS-B类 背景 整体结构 GraphLSTM 训练过程和推理过程 异常评分 小结：
PaDiM-Anomaly-Detection-Localization-master:这是“ PaDiM”论文的非官方实现
05-08
PaDiM异常检测本地化大师 这是。 此代码是从SPADE-pytorch（ ）和MahalanobisAD-pytorch（ ）项目中大量借用的 要求 Python== 3.7 pytorch == 1.5 tqdm 斯克莱恩 matplotlib ...MVTec AD数据集：从下载 ...
有损压缩-Unsupervised Time-Series Anomaly Detection.pptx
07-26
【有损压缩与无监督时间序列异常检测】 在时间序列分析中，异常检测是一项关键任务，旨在识别数据流中的不寻常行为。论文“有损压缩鲁棒无监督时间序列异常检测”提出了一种创新方法，利用有损压缩的原理来增强无...
anomaly-detection-libs:用于异常（异常）检测的简单库
05-10
无监督异常检测库 可用算法： 神经网络 神经网络 LOF（以scikit-learn软件包提供） COF INFLO 环形 LOCI 阿罗西 克洛夫 微博 数码相机 CMGOS HBOS 前列腺癌 CMGOS 一类SVM（可在scikit-learn软件包中获得） @作者...
LSTM-based Stacked Autoencoder for Multivariate time Series forecasting.pdf
03-31
Unsupervised pre-training of a Deep LSTM-based Stacked Autoencoder for Multivariate time Series forecasting problems Alaa Sagheer
使用深度学习 (CAE) 进行异常检测和定位：您可以学习如何使用卷积自动编码器检测和定位图像上的异常。-matlab开发
05-31
在化工原料、服装、食品原料等的出货检验中，需要检测正常产品中的缺陷和杂质，但很难收集到足够的异常图像用于深度学习。 该演示展示了如何使用 CAE 检测和定位异常。 这种只使用正常图像进行训练的方法可能使您能够检测到从未见过的异常​​，通过自定义SegNet模型，您可以轻松地获得此任务的网络结构。 [日本人]在这个演示中，您可以使用深度学习来检测和定位出现在正常图像中的异常。这种仅使用正常图像训练模型的方法可能会检测到您以前从未见过的异常​​情况。我正在自定义 SegNet 模型以轻松获取模型结构。 【Keyward】图像处理、图像分类、深度学习、深度学习、IPCV演示・ SegNet ・ 异常检测 ・ 视觉检测 ・ 语义分割 ・ 自动编码器 ・ 卷积
unsupervised_and_semi-supervised_anomaly_detection_in_videos.pdf
03-19
An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos B Ravi Kiran, Dilip Mathew Thomas, Ranjith Parakkal
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 3 基于嵌入的方法
热门推荐
要相信光
12-08 1万+
文章目录前言1. 基于Deep SVDD1.1 Deep SVDD2. 基于SPADE2.1 SPADE (CVPR2021) 前言 异常检测领域中，基于嵌入的方法指的是：将图像送入模型，提取特征，并在对应的特征空间中学习分界面。与重构方法的主要不同在于，其不在RGB图像空间而是在高维的特征空间中进行异常检测；与自监督的方法不同，不过于依赖额外的负样本的构造 / 代理任务的设计，主要考虑的特征空间中的差异。 1. 基于Deep SVDD 1.1 Deep SVDD 2. 基于SPADE 2.1 SPADE
论文笔记：Deep Learning for Anomaly Detection inTime-Series Data: Review, Analysis,and Guidelines
qq_40206371的博客
03-08 407
离群值（outlier）：与其他观察结果偏差过大，以至于怀疑它是由不同机制产生的时间序列的异常值：某一个/些时间片的数值值，展现出与先前时间步长显着不同的意外行为。
综述：DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY(未完成）
ice_night的博客
10-23 560
前言 随着数据规模的增加，Deep learning比传统机器学习的方法更好，如下图所示： anomalies VS novelties Deep anomaly detection(DAD)的动机与挑战 在异常检测上面，由于数据结构越来越复杂，传统算法在图像和学列数据集上的表现变得次优了； 大规模异常检测的需要； DAD技术能从数据中学到hierarchical discriminative features，这种自动学习特征的能力减少了手动开发，可完成端到端的异常检测； 但是对正常数据和异常数据区
【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 2417
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
[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
探索Pytorch-MSCRED：一款高效的文本摘要模型
gitblog_00021的博客
04-23 431
探索Pytorch-MSCRED：一款高效的文本摘要模型 项目地址:https://gitcode.com/Zhang-Zhi-Jie/Pytorch-MSCRED 该项目——Pytorch-MSCRED是由张志杰开发的一个基于PyTorch的深度学习框架，用于执行多语种新闻摘要任务。它采用了先进的序列到序列（Seq2Seq）模型结构，结合了注意力机制（Attention Mechanism），从...
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
05-31
以下是使用PyTorch实现DFF的示例代码。这里假设你已经定义了多个卷积神经网络进行特征提取，并且每个网络的输出为一个特征张量。我们将使用全局平均池化层将每个特征张量转换为一个特征向量，然后将这些特征向量拼接在一起，最终使用一个全连接层将全局特征向量映射到一个低维空间。 ```python import torch import torch.nn as nn import torch.nn.functional as F class DFF(nn.Module): def __init__(self, num_networks, input_dim, hidden_dim, output_dim): super(DFF, self).__init__() self.num_networks = num_networks self.input_dim = input_dim self.hidden_dim = hidden_dim self.output_dim = output_dim # 定义卷积神经网络和全局平均池化层 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)) # 全局平均池化层 # 定义全连接层 self.fc = nn.Linear(num_networks * hidden_dim[-1], output_dim) def forward(self, x): # 对每个卷积神经网络进行特征提取并全局平均池化 features = [] for i in range(self.num_networks): f = self.networks[i](x[i]) f = F.relu(f) f = self.avg_pool(f) f = f.view(f.size(0), -1) # 将特征张量转换为特征向量 features.append(f) # 将所有特征向量拼接在一起 global_feature = torch.cat(features, dim=1) # 使用全连接层将全局特征向量映射到一个低维空间 output = self.fc(global_feature) return output ``` 在上面的代码中，我们定义了一个DFF类，其中包含了多个卷积神经网络、全局平均池化层和全连接层。在forward函数中，我们对每个卷积神经网络进行特征提取并全局平均池化，然后将所有特征向量拼接在一起，最终使用全连接层将全局特征向量映射到一个低维空间。 需要注意的是，这里的代码仅供参考，实际实现可能会因为具体的输入数据形状、网络结构等因素而有所不同。
评论 1
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
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