复现异常检测USAD时无法下载数据集

最新推荐文章于 2024-10-02 10:53:34 发布
最新推荐文章于 2024-10-02 10:53:34 发布
阅读量524 收藏 1
点赞数 18
分类专栏： 写代码时遇到的问题 文章标签： python jupyter
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/weixin_49983968/article/details/136909542
版权

根据文章中给出的源码manigalati/usad (github.com)   对其结果进行复现时

!python gdrivedl.py https://drive.google.com/open?id=1rVJ5ry5GG-ZZi5yI4x9lICB8VhErXwCw input/
!python gdrivedl.py https://drive.google.com/open?id=1iDYc0OEmidN712fquOBRFjln90SbpaE7 input/

上面的这段代码运行错误，不能正常地访问谷歌来下载所需要的数据集 

所以最后是通过

https://smileyan.lanzoul.com/iWDDz04lq1zi

下载的数据

将它们放在usad/input文件夹里就能正常运行源码啦

这篇文章《异常检测——从经典算法到深度学习》18 USAD：多元时间序列的无监督异常检测_多元时间序列异常检测-CSDN博客将USAD这篇论文介绍的很详细QAQ

每天吃的很好的Ruby
关注
专栏目录
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 1601
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。
WADI&SWAT数据处理
weixin_44048851的博客
03-28 3374
参考GDN的数据处理方式，每10条取平均值，标签为窗口内的多数值。
【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 3064
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。
《异常检测——从经典算法到深度学习》18 USAD：多元时间序列的无监督异常检测
热门推荐
Smileyan's blog
05-10 1万+
《异常检测——从经典算法到深度学习》 0 概论 1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法 3 基于One-Class SVM的异常检测算法 4 基于高斯概率密度异常检测算法 5 Opprentice——异常检测经典算法最终篇 6 基于重构概率的 VAE 异常检测 7 基于条件VAE异常检测 8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测 9 异常检测资料汇总（持续更新&抛砖引玉） 10 Bagel: 基于条件 VAE 的鲁棒无监督KPI异常检
USAD: 多元时间序列的无监督异常检测
qq_25368751的博客
06-20 487
时间序列：论文首先定义了单变量和多变量时间序列的概念，区分了它们在数据点上的不同。异常检测任务：描述了在给定时间序列数据集的情况下，如何通过训练数据来识别异常点。
《异常检测——从经典算法到深度学习》24 用于单变量时间序列异常检测的端到端基准套件
Smileyan's blog
11-29 5117
异常检测算法；TSB-UAD
"时间序列中的无监督异常检测神经和进化计算
时间序列中的无监督异常检测朱利安·奥迪贝尔引用此版本：朱利安·奥迪伯特。时间序列中的无监督异常检测神经和进化计算[cs.NE]索邦大学，2021年。英语。NNT：2021SORUS358 电话：03681871HAL ID：电话：03681871...
UADD8_USAD8_SMUAD_SMUSD.rar
04-26
用keil5打开工程，或者自行提取里面的.s文件。这里包括了直接调用寄存器传递参数的方法，用memory传递参数的方法，用堆栈传递参数的方法。以及子程序调用例程实现UADD8、USAD8、SMUAD、SMUSD函数
"时变数据的统一框架及特征提取与跟踪的视觉信息学研究
USAd加拿大安大略省圭尔夫市圭尔夫大学计算机科学学院ar t i cl e i nf o文章历史记录：2019年8月31日收到2019年10月6日接受在线预订2019年保留字：时变数据可视化块对应特征提取与跟踪a b st ra ct时空体数据集的...
【KDD20】多变量时间序列异常检测算法之USAD：对抗性训练AE
AI蜗牛车
08-01 3562
前言KDD20的paper链接：https://dl.acm.org/doi/pdf/10.1145/3394486.3403392代码链接：https://github.com/manigalati/usad一、摘要在摘要中主要指出了本文的难题引出本文的方法。原因出自Orange公司的IT系统的自动监测。由于系统的整体的规模和复杂性，随着时间的推移，用于推断正常和异常行...
USAD : UnSupervised Anomaly Detection on Multivariate Time Series
小蚂蚁与大象
06-07 1580
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
最近几篇多维时间序列异常诊断论文综述
机器学习社区
10-17 4132
近几年大数据和人工智能技术逐渐成熟，运维领域多年来面临的困境有望得到突破。AIOps就是在这样一个环境下自然孕育而生。 IT运维数据天生就有数据量大，维度多，时序等特征，结合人工智能算法，通过训练，就可以让机器自动发现系统异常，快速找到关联的根因，甚至可以根据历史数据提前做出预测。 近些年关于AIOps的研究越来越热门，其中，多维时间序列的异常检测和故障诊断是其中非常重要的一个课题方向。本次和大家分享的，是最近整理的几个基于深度学习进行多维时间序列数据中异常检测/故障诊断的研究工作。 AAAI 2019 A
Isolation-forest异常检测算法学习
JY_He的博客
03-22 304
参考地址：https://www.cnblogs.com/wzyj/p/9696357.html https://www.cnblogs.com/wzyj/p/9696357.html
UCSD异常检测数据集
yipala的博客
09-02 9724
UCSD异常检测数据集 UCSD异常检测数据集是通过学校中固定在较高位置上的摄像机获得的，俯瞰人行道。走道中的人群密度是变化的，从稀疏到非常拥挤。在正常设置中，视频仅包含行人。异常事件是由以下两种情况引起的： 非人行道物体在人行道上的流通（如：卡车，自行车） 异常的行人运动模式（如：从草坪中穿过，跑步） 常见的异常现象包括：骑自行车的人，滑冰运动员，小推车，以及走过人行道或周围草地的...
线性回归模型_线性回归模型原理及推导
weixin_39632471的博客
11-30 641
今天我们来看一个最常见的机器学习模型——线性回归(linear regression)模型。先举个例子让你明白什么是线性回归。现在我们有房屋面积和价格的一些数据，如下图：现在我们想知道的是，如果给一个新的房屋面积130m²，能否根据已知的数据来预测新的面积对应的价格是多少呢？这时，线性回归模型就派上用场了。我们先画出已知数据的散点图：那线性回归要做什么呢？它是模拟出一条直线，让已知的数据点尽量落在...
异常检测（Anomaly Detection）
Flare_J 的博客
03-08 8661
异常检测（Anomaly Detection）1. 异常检测的定义2. 异常检测的分类2.1 按照应用目标数据分类2.2 按照异常类型分类2.3 按照数据标签可用性分类3. 异常检测的使用 1. 异常检测的定义 异常检测，是一种用于识别不符合预期行为的异常模式的技术，称为异常值。通常为无监督学习问题，其中先验未知异常样本，并且假定大多数训练数据集由 “ 正常 ” 数据组成。 通常，异常检测也称为 Novelty Detection 或 Outlier Detection，Forgery Detection
（笔记）第三期书生·浦语大模型实战营（十一卷王场）--书生入门岛通关第2关Python 基础知识
最新发布
haidizym的博客
10-02 477
学员闯关手册：https://aicarrier.feishu.cn/wiki/ZcgkwqteZi9s4ZkYr0Gcayg1n1g?课程视频：https://www.bilibili.com/video/BV1mS421X7h4/课程文档：https://github.com/InternLM/Tutorial/tree/camp3/docs/L0/Python。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 1263
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
神经网络在多分类问题中的应用
小高~的博客
09-29 916
神经网络在分类任务中的应用越来越广泛，尤其是在图像识别、自然语言处理等领域。本文将介绍如何使用PyTorch构建一个简单的神经网络来处理多分类问题。我们将通过一个实战案例，展示数据构造、模型训练、模型保存与加载、以及评估结果的整个过程。
无监督深度学习与进化算法：时间序列异常检测新突破
论文强调了深度学习方法，如深度神经网络，在处理时间序列数据时的优势，如在异常检测中的高精度。然而，它们也存在局限性，特别是对于特征提取的全局视角依赖不足。为了弥补这一短板，奥迪贝尔提出了一个特征工程...
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