首页/论文/2005.11082

arXiv 2005.110822020-05-25q-bio.QMcs.LG

基于Tractometry的单受试者脑白质异常检测

Tractometry-based Anomaly Detection for Single-subject White Matter Analysis

Cardiff University Brain Research Imaging Centre (CUBRIC)（卡迪夫大学脑研究成像中心（CUBRIC））；MRC Centre for Neuropsychiatric Genetics and Genomics（医学研究委员会神经精神遗传学与基因组学中心）

Maxime Chamberland, Sila Genc, Erika P. Raven, Greg D. Parker, Adam Cunningham, Joanne Doherty, Marianne van den Bree, Chantal M. W. Tax, Derek K. Jones

备注：: Medical Imaging with Deep Learning (MIDL2020) Conference Short Paper
发表信息：: Medical Imaging with Deep Learning 2020

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

迫切需要从组间比较到弥散MRI（dMRI）个体诊断的范式转变，以分析罕见病例和临床异质性组。深度自动编码器在检测神经成像数据中的异常方面显示出巨大的潜力。我们提出了一个框架，操作上的白质（WM）途径的多种学习规范的微观结构特征，并区分那些在儿科人群中的控制遗传风险。

英文摘要：

There is an urgent need for a paradigm shift from group-wise comparisons to individual diagnosis in diffusion MRI (dMRI) to enable the analysis of rare cases and clinically-heterogeneous groups. Deep autoencoders have shown great potential to detect anomalies in neuroimaging data. We present a framework that operates on the manifold of white matter (WM) pathways to learn normative microstructural features, and discriminate those at genetic risk from controls in a paediatric population.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

AGFS-束测：一种基于图谱的精细束测方法，用于利用弥散MRI束图进行增强的沿束群体统计比较

AGFS-Tractometry: A Novel Atlas-Guided Fine-Scale Tractometry Approach for Enhanced Along-Tract Group Statistical Comparison Using Diffusion MRI Tractography

University of Electronic Science and Technology of China（电子科技大学）；Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇曼妇女医院）；Boston University（波士顿大学）

AGFS-束测提出了一种基于图谱的精细束测方法，通过利用弥散MRI束图信息和排列检验，提高沿束群体统计比较的敏感性和特异性，有效识别白质群体差异。

2026-01-28cs.CVcs.LGeess.IV

COGNOS：通过约束高斯噪声优化与平滑实现时间序列异常检测的通用增强

COGNOS: Universal Enhancement for Time Series Anomaly Detection via Constrained Gaussian-Noise Optimization and Smoothing

School of Information Science and Technology, Beijing University of Technology, China（信息科学与技术学院，北京理工大学，中国）；Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing University of Technology, China（北京计算智能与智能系统重点实验室，北京理工大学，中国）

本文提出COGNOS框架，通过约束高斯噪声优化与平滑解决时间序列异常检测中MSE损失导致的统计缺陷，提升检测可靠性。

2026-09-29cs.AIcs.LG

数据高效且可解释的表格异常检测

Data-Efficient and Interpretable Tabular Anomaly Detection

Meta；Google Cloud AI（谷歌云人工智能）；Stanford University（斯坦福大学）

本文提出基于广义加性模型与部分识别目标的可解释表格异常检测框架DIAD，可利用少量标注数据提升半监督检测性能并解释异常原因。

2023-06-04cs.LG

信用卡欺诈检测中的局部可解释单类异常检测

Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud Detection

National Taiwain University（国立台湾大学）

针对高度不平衡的信用卡欺诈检测问题，现有的方法大多采用数据增强方法或传统的机器学习模型，缺乏基于神经网络的异常检测方法。此外，很少有研究采用人工智能可解释性工具来研究交易数据的特征重要性，这对于黑盒欺诈检测模块至关重要。综合考虑这两点，我们提出了一个新的信用卡欺诈检测的异常检测框架，以及一个模型解释模块负责预测解释。欺诈检测模型由两个深度神经网络组成，它们以无监督和对抗的方式进行训练。准确地说，生成器是一个AutoEncoder，旨在重建真实的交易数据，而加密器是一个用于欺诈检测的全连接网络。解释模块有三个白盒解释器，分别负责解释AutoEncoder、ESTA和整个检测模型。实验结果表明，与基线相比，我们的欺诈检测模型在基准数据集上的最先进的性能。此外，三个解释器的预测分析，提供了一个清晰的视角如何感兴趣的实例的每个功能有助于最终的模型输出。

2022-06-29cs.AIcs.LG

工业大数据异常检测

Anomaly Detection for Industrial Big Data

University of Oxford（牛津大学）

随着工业物联网（IIoT）的发展，系统越来越多地受到传感器阵列的监控，这些传感器以不断增加的“数量，速度和种类”（即工业大数据）返回时间序列数据。这些数据的一个明显用途是实时系统状态监控和故障预测时间分析（剩余使用寿命，RUL）。(e.g.参见Senseye.io的白皮书和NASA预测卓越中心（PCoE）的输出。然而，正如Agrawal和Choudhary所指出的那样，我们收集“大数据”的能力已经大大超过了我们分析它的能力，这强调了第四种科学范式的出现，即数据驱动的发现。为了充分利用工业大数据的潜力，我们需要数据驱动的技术，这些技术可以在处理模型无法实现的规模上运行。在这里，我们提出了一个原型技术，数据驱动的异常检测操作在工业规模。该方法推广到应用程序与几乎任何多变量数据集的基础上独立排序的重复（自举）分区的数据集和检查的联合分布的顺序距离。

2018-04-09cs.LGstat.ML

工业控制系统中基于重构的异常检测器的约束隐藏攻击

Constrained Concealment Attacks against Reconstruction-based Anomaly Detectors in Industrial Control Systems

CISPA Helmholtz Center for Information Security（CISPA 信息安全亥姆霍兹中心）；Saarland University（萨尔兰大学）；Delft University of Technology（代尔夫特理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Politecnico di Milano（米兰理工大学）

近年来，基于重构的异常检测技术被提出作为一种有效的检测动态工业控制网络中的攻击的技术。与观察网络流量的经典网络异常检测器不同，基于重建的检测器对测量的传感器数据进行操作，利用先验学习的物理过程模型。在这项工作中，我们研究了不同的方法来逃避先前的工作重建为基础的异常检测器通过操纵传感器数据，使攻击被隐藏。我们发现重放攻击（通常被认为是非常强大的）表现出很差的性能（即，增加警报的数量），因为特征之间的隐藏相关性不能很好地复制。为了解决这个问题，我们提出了两种新的攻击，操纵传感器读数的一个子集，利用系统的学习物理约束。我们的攻击具有两种不同的攻击者模型：白盒攻击者，它使用带有检测预言的优化方法，以及黑盒攻击者，它使用自动编码器将异常数据转换为正常数据。我们评估了我们在两个不同的数据集上的实现，从水分布域，显示检测器的召回从0.68下降到0.12，通过操纵WADI数据集中的82个传感器中的4个。此外，我们还证明了我们的黑盒攻击可以转移到不同的检测器上：它们可以对抗基于自动编码器、LSTM和CNN的检测器。最后，我们在一个真实的工业测试平台上实现并演示了我们的攻击，以实时展示其可行性。

2020-10-12cs.CRcs.LG

更多相关论文收起更多论文

马氏距离 PatchCore：协方差感知与流式兼容的工业异常检测

Mahalanobis PatchCore: Covariance-Aware and Streaming-Compatible Industrial Anomaly Detection

Department of Engineering, University of Ferrara（费拉拉大学工程学院）

提出马氏距离 PatchCore，通过协方差估计和流式处理改进 PatchCore，在保持性能的同时降低峰值内存并提升工业检测精度。

2026-05-26cs.AIcs.CVcs.LG

何时不进行分类：测试时对DNN分类器的攻击异常检测（ADA）

When Not to Classify: Anomaly Detection of Attacks (ADA) on DNN Classifiers at Test Time

The Pennsylvania State University（宾夕法尼亚州立大学）

最近广泛部署的基于机器学习的系统（包括深度神经网络（DNN））面临的一个重大威胁是对抗性学习攻击。我们分析了可能的测试时间规避攻击机制，并表明，在一些重要的情况下，当图像已被攻击，正确分类它没有效用：i）当要攻击的图像是（甚至任意）从攻击者的缓存中选择; ii）当分类器的决定的唯一接收者是攻击者。此外，在一些应用领域和场景中，检测攻击是高度可行的，而不管面对它是否正确分类（如果没有检测到攻击，则仍然执行分类）。我们假设，即使人类无法察觉，对抗性干扰也是机器可以检测到的。我们提出了一个完全无监督的异常检测器（AD），与以前的工作不同：i）使用高度合适的零假设密度模型对深层的联合密度进行建模（特别是与对DNN U层的非负支持相匹配）; ii）利用多个DNN层; iii）利用“源”和“目的地”类概念、源类不确定性、类混淆矩阵，和DNN权重信息构建一个新的决策统计接地Kullback-Leibler分歧。在三种主要攻击策略下对MNIST和CIFAR-10图像数据库进行测试，我们的方法优于以前的检测方法，在两种攻击下实现了较强的ROC AUC检测准确性，并且比最近报道的各种方法在最强（CW）攻击下的准确性更高。我们还评估了对我们系统的完全白盒攻击。最后，我们评估其他重要的性能指标，如分类准确率，检测率和攻击强度。

2018-06-28cs.CRcs.LG

一种用于水供网络中异常检测、分类和预定位的多元统计框架

A Multivariate Statistical Framework for Detection, Classification and Pre-localization of Anomalies in Water Distribution Networks

Institute of Computer Science and Information Technologies, National Technical University "Kharkiv Polytechnic Institute"（计算机科学与信息科技研究所，国家技术大学"Kharkiv 工程学院"）；Informatics Institute, University of Amsterdam（信息学院，阿姆斯特丹大学）；Bernoulli Institute, University of Groningen（伯努利研究所，格罗宁根大学）

本文提出SICAMS框架，通过多元统计分析实现水供网络中异常的检测、分类和预定位，利用T²统计量评估系统健康状态并估计水损失。

2025-12-17cs.LG