Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile Sensing-based Supervised Deep Learning Model
Rice University(莱斯大学);Stanford University(斯坦福大学)
基于移动感知的行为变化模型可以预测精神分裂症患者即将发生的精神病复发,以便及时干预。深度学习模型可以通过对与预测相关的潜在行为特征进行建模来补充现有的非深度学习模型以进行复发预测。然而,考虑到个体间的行为差异,预测模型可能需要模型个性化。在这项工作中,我们提出了RelapsePredNet,这是一种基于长短期记忆(LSTM)的神经网络模型,用于复发预测。通过使用来自与给定患者最相似的患者的数据进行训练,该模型针对特定患者进行个性化。几个人口统计学和基线心理健康评分被认为是个性化指标,以定义患者的相似性。我们研究了个性化对训练数据集特征、学习嵌入和复发预测性能的影响。我们将RelapsePredNet与基于深度学习的异常检测模型进行了比较,以进行复发预测。此外,我们研究了RelapsePredNet是否可以通过识别与复发预测相关的潜在行为特征,在融合模型中补充RecurterRFModel(一种利用先前工作中提出的聚类和模板特征的随机森林模型)。CrossCheck数据集包括从63名精神分裂症患者中获得的连续移动感知数据,每个患者监测长达一年,用于我们的评估。提出的RelapsePredNet在复发预测方面优于基于深度学习的异常检测模型。在全测试集和复发测试集(由仅复发患者的数据组成)中,预测的F2评分分别为0.21和0.52。与现有的基于深度学习的复发预测模型相比,这两个模型分别提…
2022-05-24 cs.LG eess.SP
Unsupervised Distribution Learning for Lunar Surface Anomaly Detection
NVIDIA(英伟达);ETH Zurich(苏黎世联邦理工学院);MPS Goettingen(哥廷根马克斯·普朗克太阳系研究所);Center for Space and Habitability(空间与宜居性中心);University of Bern(伯尔尼大学);Blue Marble Space Institute of Science(蓝色大理石空间科学研究所)
在这项工作中,我们表明,现代数据驱动的机器学习技术可以成功地应用于月球表面的遥感数据学习,在无监督的方式,足够好的数据分布表示,使月球technosignature和异常检测。特别是,我们训练一个无监督的分布学习神经网络模型,在测试数据集中找到阿波罗15号着陆模块,没有数据集特定的模型或超参数调整。足够好的无监督数据密度估计有望实现无数有用的下游任务,包括为未来的太空飞行和殖民定位月球资源,寻找新的撞击坑或月球表面重塑,以及通过算法决定从功率和带宽受限的任务中发回的未标记样本的重要性。我们在这项工作中表明,这种无监督学习可以成功地在月球遥感和空间科学的背景下。
2020-01-14 astro-ph.EP astro-ph.IM cs.LG
Unsupervised Anomaly and Change Detection with Multivariate Gaussianization
Universitat de València(瓦伦西亚大学)
异常检测是一个密集的研究领域。识别数据/图像中的低概率事件是一个具有挑战性的问题,因为数据是高维的,特别是当没有(或很少)关于异常的信息是先验的。虽然有很多方法可用,但其中绝大多数都不能很好地扩展到大型数据集,并且需要选择一些(通常是关键的)超参数。因此,无监督和计算效率高的检测方法变得非常必要。我们提出了一种无监督的方法,通过多变量高斯化方法,可以准确地估计多变量密度,一个长期存在的问题,统计和机器学习的遥感图像检测异常和变化。该方法将任意复杂的多元数据转换为多元高斯分布。由于变换是可微的,通过应用变量变化公式,可以估计原始域中任何一点的概率。假设很简单:具有低估计概率的像素被认为是异常。我们的方法可以描述任何多变量分布,有效地利用内存和计算资源,是无参数的。我们在实验中,涉及异常检测和变化检测在不同的遥感图像集的方法的效率。结果表明,我们的方法优于其他线性和非线性方法的检测能力在异常和变化检测的情况下,表现出鲁棒性和可扩展性的维度和样本大小。
2022-04-12 cs.CV cs.LG physics.comp-ph
Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review
异常检测涉及识别明显偏离预期行为的数据模式。这是一个重要的研究问题,由于其广泛的应用领域,从数据分析到电子健康,网络安全,预测性维护,故障预防和工业自动化。在此,我们回顾了可用于检测传感器系统的特定区域中的异常的最先进的方法,这些方法在信息融合、数据量、数据速度和网络/能源效率方面提出了严峻的挑战,但这些都是最紧迫的挑战。在这种情况下,异常检测是一个特别困难的问题,因为需要在受约束的环境中找到计算能量精度的权衡。我们分类的方法,从传统的技术(统计方法,时间序列分析,信号处理等)到数据驱动技术(监督学习、强化学习、深度学习等)。我们还研究了不同架构环境(云、雾、边缘)对传感器生态系统的影响。该评论指出了最有前途的智能传感方法,并指出了一系列有趣的开放问题和挑战。
2020-10-31 cs.LG
Active Hypothesis Testing for Correlated Combinatorial Anomaly Detection
School of Mathematical Sciences, Tongji University, Shanghai, P.R. China(同济大学数学科学学院)
ECC-AHT通过主动噪声抵消技术,在相关噪声环境下实现高效的组合异常检测
2026-01-24 cs.LG
An Unsupervised Time Series Anomaly Detection Approach for Efficient Online Process Monitoring of Additive Manufacturing
College of Engineering and Computer Science, University of Texas Rio Grande Valley(工程与计算机科学学院,德克萨斯理工大学Rio Grande Valley分校);School of Industrial Engineering and Management, Oklahoma State University(工业工程与管理学院,俄克拉荷马州立大学)
针对增材制造在线监测中难以识别细微语义偏离异常的问题,提出一种基于matrix profile的无监督异常检测算法,通过捕捉制造周期相似性与语义分割精确定位缺陷起始点,实验验证了其有效性。
2025-10-11 cs.LG
Coupled IGMM-GANs for deep multimodal anomaly detection in human mobility data
University of Colorado at Boulder(科罗拉多大学博尔德分校);University of Maryland, College Park(马里兰大学帕克分校);IUPUI(印第安纳大学与普渡大学印第安纳波利斯联合分校)
检测人类移动数据中的异常活动具有许多应用,包括道路危险感测、基于远程信息处理的保险以及出租车服务和乘车共享中的欺诈检测。在本文中,我们解决了异常人类轨迹研究中出现的两个挑战:1)缺乏关于异常定义的地面真实数据,2)现有方法对重要预处理和特征工程的依赖。虽然生成对抗网络似乎很适合解决这些挑战,但我们发现现有的基于GAN的异常检测算法由于无法处理多模态模式而表现不佳。为此,我们引入了一个无限高斯混合模型与(双向)生成对抗网络,IGMM-GAN,这是能够生成合成的,但现实的,人类移动数据,同时有利于多模态异常检测。通过估计人类轨迹空间上的生成概率密度,我们能够生成逼真的合成数据集,这些数据集可用于对现有的异常检测方法进行基准测试。估计的多峰密度还允许我们用于检测异常轨迹的离群值的自然定义。我们说明了我们的方法及其改进现有的GAN异常检测几个人类移动数据集,随着MNIST。
2018-09-08 cs.LG stat.ML
Evaluating Real-time Anomaly Detection Algorithms - the Numenta Anomaly Benchmark
Numenta, Inc.(Numenta公司)
世界上的大部分数据都是流式的时间序列数据,其中异常在关键情况下提供了重要信息;在金融,IT,安全,医疗和能源等领域的例子比比皆是。然而,检测流数据中的异常是一项艰巨的任务,需要检测器实时的【形】处理数据,而不是批量处理数据,并在进行预测的同时进行学习。没有基准来充分测试和评分实时的【形】异常检测器的有效性。在这里,我们提出了Numenta Anomaly Benchmark(NAB),它试图提供一个受控的和可重复的开源工具环境,以测试和测量流数据上的异常检测算法。完美的检测器将尽快检测到所有异常,不会触发错误警报,处理各种领域的真实时间序列数据,并自动适应不断变化的统计数据。奖励这些特征在NAB中被正式化,使用为流数据设计的评分算法。NAB在具有标记的真实时间序列数据的基准数据集上评估检测器。我们提出了这些组件,并给出了几个开源的,商业使用的算法的结果和分析。NAB的目标是提供一个标准的开源框架,研究社区可以使用该框架比较和评估用于检测流数据中异常的不同算法。
2015-11-17 cs.AI cs.LG
DDGAD: Disagreement-Driven Graph Anomaly Detection via Adapt-Then-Combine
College of Artificial Intelligence(人工智能学院);Southwest University(西南大学)
提出DDGAD框架,利用扩散正则化和可靠性感知邻域共识下的轨迹动力学区分正常与异常节点,通过三种互补异常信号检测异常。
2026-09-23 cs.AI cs.LG
Deep Learning for Anomaly Detection in Railway Systems: A Structured Survey
Université Polytechnique Hauts-de-France(上法兰西理工大学);Alstom(阿尔斯通);INSA Hauts-de-France(法国国立应用科学学院上法兰西分校);University of Sharjah(沙迦大学)
本文对铁路系统异常检测的深度学习方法进行结构化综述,提出统一分类法,并构建面向决策的框架以指导检测范式和部署配置的选择。
2026-10-02 cs.AI cs.LG
Data Drift Monitoring for Log Anomaly Detection Pipelines
IBM Research(IBM研究院)
本文提出一种基于贝叶斯因子的漂移检测方法,用于识别日志异常检测(LAD)模型何时需要人工介入、重训练和更新,并通过真实与模拟日志数据验证了其有效性。
2023-10-17 cs.LG cs.SY eess.SY
Investigation of unsupervised and supervised hyperspectral anomaly detection
Computer Science Department(计算机科学系);Electrical and Computer Engineering Department(电气与计算机工程系)
本文针对高光谱异常检测中监督方法难以发现未知异常的问题,使用通用高光谱数据评估所提堆叠混合集成及多种监督、无监督方法,以获得新认识。
2025-07-21 cs.LG eess.IV
DeepFall -- Non-invasive Fall Detection with Deep Spatio-Temporal Convolutional Autoencoders
University of Toronto(多伦多大学);Toronto Rehabilitation Institute(多伦多康复研究所);University Health Network(大学健康网络)
人类跌倒很少发生;然而,从健康和安全的角度来看,检测跌倒非常重要。由于跌倒的罕见性,很难采用监督分类技术来检测它们。此外,在这些高度偏斜的情况下,也难以提取领域特定特征来识别跌倒。在本文中,我们提出了一种新的框架,\textit{DeepFall},它制定了作为一个异常检测问题的跌倒检测问题。\textit{DeepFall}框架提出了深度时空卷积自动编码器的新用途,以使用非侵入式感测模态从正常活动中学习空间和时间特征。我们还提出了一种新的异常评分方法,结合重建分数的帧在一个时间窗口来检测看不见的下降。我们在三个公开的数据集上测试了\textit{DeepFall}框架,这些数据集是通过非侵入式传感模式、热成像相机和深度相机收集的,与传统的自动编码器方法相比,该框架显示出更好的结果来识别看不见的跌倒。
2020-04-27 cs.CV cs.LG stat.ML
Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference
Aalborg University(奥尔堡大学);Pioneer Centre for Artificial Intelligence(先锋人工智能中心);Technical University of Denmark(丹麦技术大学);Milestone Systems(Milestone系统);University of Bucharest(布加勒斯特大学);University of Surrey(萨里大学)
多模态异常检测需通过上下文推断区分真实异常与环境变化,提出跨模态上下文推断框架以提升可靠性。
2026-04-14 cs.AI cs.LG
Rarity-Gated Context Conditioning for Offline Imitation Learning-Based Maritime Anomaly Detection
Department of Industrial Engineering, Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院工业工程系)
提出RGFiLM模块,通过稀有度门控调节上下文调制强度,解决上下文异常检测中稀有上下文导致的高误报问题,在海事轨迹异常检测中取得最佳F1-FPR权衡。
2026-06-12 cs.AI cs.LG
A Scalable Algorithm for Anomaly Detection via Learning-Based Controlled Sensing
Syracuse University(雪城大学)
我们解决的问题,顺序选择和观察过程中,从一个给定的集合中找到其中的异常。决策者每次观察一个过程,并获得相应过程是否异常的噪声二进制指标。在这种情况下,我们开发了一种异常检测算法,该算法选择在给定时刻要观察的过程,决定何时停止观察,并做出关于异常过程的决定。检测算法的目标是以超过期望值的准确度得出决策,同时最小化决策中的延迟。我们的算法依赖于一个马尔可夫决策过程定义的边缘概率的每个过程是正常的或异常的,条件的观察。我们使用深度演员-评论家强化学习框架实现检测算法。不像以前的工作在这个主题上,具有指数复杂性的进程数,我们的算法的计算和内存的要求,都是多项式的进程数。我们证明了我们的算法的有效性,使用数值实验,通过比较它与国家的最先进的方法。
2021-05-12 cs.LG eess.SP
A Structured Benchmark for Text-Guided Anomaly Detection: When Language Stops Conditioning the Decision
Politecnico di Milano, AIRLab(米兰理工学院,AIRLab);S&H – Software & Hardware(S&H – 软件与硬件)
提出结构化基准TGAD,通过三个场景逐步增加语言功能角色,评估多模态异常检测系统的文本引导能力,发现当前系统仅表面受语言条件化,标准基准高估了其能力。
2026-06-01 cs.AI cs.CV cs.LG
Anomaly Detection and Sampling Cost Control via Hierarchical GANs
Syracuse University(雪城大学)
异常检测会产生一定的采样和感测成本,因此在检测精度和这些成本之间取得平衡非常重要。在这项工作中,我们研究了异常检测,考虑在一个随机时间序列的阈值交叉检测,而不知道其统计。为了降低检测过程中的采样成本,我们提出使用分层生成对抗网络(GANs)来执行非均匀采样。为了提高检测精度并减少检测延迟,我们在所提出的基于GAN的检测器的操作中引入了缓冲区。在实验中,我们分析了所提出的分层GAN检测器的性能,考虑检测延迟,未命中率,平均错误成本和采样率的度量。我们确定了性能的折衷,因为缓冲区大小和层次结构中的GAN级别的数量不同。我们还比较了性能的抽样政策,近似最小化的抽样和误差的平均成本的总和给定的随机过程的参数。我们证明了所提出的基于GAN的检测器可以在检测延迟和平均错误成本方面具有显着的性能改进,具有更大的缓冲区,但以增加采样率为代价。
2020-09-28 cs.IT cs.LG math.IT
Anomaly Detection Under Controlled Sensing Using Actor-Critic Reinforcement Learning
Syracuse University(雪城大学)
我们认为,一组给定的过程中,使用其嘈杂的二进制传感器测量检测异常的问题。对应于正常过程的无噪声传感器测量值为0,如果过程异常,则测量值为1。假设决策算法不知道异常过程的数量。算法允许在每个时刻选择传感器的子集,直到决策的置信水平超过期望值。我们的目标是设计一个顺序的传感器选择策略,动态地确定哪些进程观察在每个时间和何时终止检测算法。选择策略的设计,使得异常过程被检测到所需的置信水平,同时招致最小的成本,其中包括检测的延迟和感测的成本。我们将这个问题转化为马尔可夫决策过程框架内的序列假设检验问题,并使用Actor-Critic深度强化学习算法解决它。这种基于深度神经网络的算法提供了一种低复杂度的解决方案,具有良好的检测精度。我们还研究了算法性能的进程之间的统计依赖性的效果。通过数值实验,我们表明,我们的算法是能够适应任何未知的统计依赖模式的过程。
2020-05-26 cs.LG eess.SP
Learning a Cross-modality Anomaly Detector for Remote Sensing Imagery
Wuhan University(武汉大学)
该研究将遥感异常检测的学习目标从变化背景分布转为一致偏差度量,提出像素级与特征级大间隔损失及异常模拟策略,实现五种遥感模态的零样本跨模态异常检测。
2024-09-10 cs.CV cs.LG eess.IV
Anomaly Detection via Learning-Based Sequential Controlled Sensing
Delft Technical University(代尔夫特理工大学);Syracuse University(雪城大学)
本文针对二元过程异常检测问题,提出基于深度强化学习和深度主动推断的序贯受控感知策略,以最小化决策延迟和感知成本,并能适应未知统计依赖模式。
2023-11-30 cs.LG cs.SY eess.SP
Scalable and Decentralized Algorithms for Anomaly Detection via Learning-Based Controlled Sensing
Delft University of Technology(代尔夫特理工大学);Syracuse University(雪城大学)
我们解决的问题,顺序选择和观察过程中,从一个给定的集合中找到其中的异常。决策者在任何给定时刻观察过程的子集,并获得相应过程是否异常的噪声二进制指示符。在这种情况下,我们开发了一个异常检测算法,选择在给定的时刻要观察的过程,决定何时停止观察,并宣布异常过程的决定。检测算法的目标是以超过期望值的精度识别异常,同时最小化决策延迟。我们设计了一个集中式的算法,其中的过程是由一个共同的代理,以及一个分散的算法,其中的决定是否选择一个过程是独立的每个过程。我们的算法依赖于一个马尔可夫决策过程定义的边缘概率的每个过程是正常的或异常的,条件的观察。我们使用深度演员-评论家强化学习框架实现检测算法。不像以前的工作在这个主题上,具有指数复杂性的进程数,我们的算法的计算和内存的要求,都是多项式的进程数。我们证明了这些算法的有效性,通过比较它们与国家的最先进的方法使用数值实验。
2021-12-08 cs.LG eess.SP stat.ML
Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications
Aalborg University(奥尔堡大学)
本文提出一种基于神经形态无线传感器网络的低功耗在线异常检测框架,通过事件驱动感知与脉冲无线电通信,结合e值假设检验和多臂老虎机优化查询策略,在严格控制误发现率的同时实现可靠且低延迟的异常检测。
2025-10-16 cs.LG cs.NE
DarkVesselNet: Multi-Modal Remote Sensing and Trajectory Reasoning for Dark Vessel Detection
University of Minnesota, Twin Cities(明尼苏达大学,双城分校)
提出DarkVesselNet,融合Sentinel-1 SAR、Sentinel-2光学影像、地理空间基础模型、AIS轨迹推理、TGARD间隙检测和Pi-DPM异常头,实现多模态遥感暗船检测。
2026-05-30 cs.AI cs.CV cs.LG
Temporal Detection of Anomalies via Actor-Critic Based Controlled Sensing
Syracuse University(雪城大学)
针对二元随机过程异常数超阈值的时序检测问题,提出基于贝叶斯后验概率与深度actor-critic强化学习的三步序贯受控感知决策方法,性能优于传统基于模型的算法。
2023-06-16 cs.LG eess.SP
Sequential Controlled Sensing for Composite Multihypothesis Testing
研究了观测值有控感知的多假设检验问题。假设在每个对照下收集的观察值的分布遵循单参数指数族分布。我们的目标是设计一个策略,以最小的期望延迟找到真正的假设,同时确保错误的概率低于给定的约束。决策者可以通过智能地选择每个时隙的观测值采集控制来控制延迟。我们得出一个政策,满足给定的约束的错误概率。我们还表明,该政策是渐近最优的意义上说,它渐近地实现了信息理论的下界的预期延迟。
2019-10-24 cs.LG math.ST stat.ML
Mamba Adaptive Anomaly Transformer with association discrepancy for time series
针对现有时间序列异常检测方法的短期上下文敏感、非平稳环境效率低等问题,提出融合稀疏注意力与Mamba选择性状态空间模型的MAAT架构,经实验验证其检测性能与泛化能力更优,树立了真实场景无监督时序异常检测新基准。
2025-05-17 cs.LG
Robust Anomaly Map Assisted Multiple Defect Detection with Supervised Classification Techniques
Jožef Stefan Institute(约瑟夫·斯特凡研究所);Jožef Stefan International Postgraduate School(约瑟夫·斯特凡国际研究生院);National Technical University of Athens(雅典国立技术大学);Philips Consumer Lifestyle BV(飞利浦消费生活有限公司);Qlector d.o.o.(Qlector有限责任公司)
工业4.0旨在通过利用新的技术进步来优化制造环境,例如新的传感能力和人工智能。DRAEM技术已显示出最先进的无监督分类性能。可以利用创建异常图的能力来突出缺陷可能存在的区域,以向监督分类模型提供线索并增强其性能。我们的研究表明,当通过提供图像和相应的异常图作为输入来训练缺陷检测模型时,可以实现最佳性能。此外,这样的设置在将缺陷检测框定为二进制或多类分类问题时提供一致的性能,并且不受类平衡策略的影响。我们在Philips Consumer Lifestyle BV提供的三个真实数据集上进行了实验。
2022-12-19 cs.CV cs.LG
GDFlow: Anomaly Detection with NCDE-based Normalizing Flow for Advanced Driver Assistance System
Sungkyunkwan University(成均馆大学);Hyundai-KEFICO(现代-凯菲科)
针对ADAS未标记、有限且含噪驾驶数据中的异常制动识别问题,提出融合NCDE与归一化流的GDFlow,并用分位数最大似然目标提升边界判别能力,在真实电动车及时间序列基准上取得最优性能与推理效率。
2024-09-09 cs.AI cs.LG
Cycle-Consistent Adversarial Networks for Realistic Pervasive Change Generation in Remote Sensing Imagery
Intelligence and Space Research Division(情报与空间研究部);Descartes Labs, Inc.(笛卡尔实验室公司);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文介绍了一种新的方法,产生现实的普遍变化的背景下,在控制设置的变化检测算法的有效性进行评估。该方法是一种周期一致性对抗网络(CycleGAN),需要少量的训练数据来生成现实的变化。在这里,我们展示了CycleGAN在创建多光谱Sentinel-2图像的真实积雪场景中的应用,并演示了如何将这些图像用作异常变化检测算法的测试平台。
2020-05-15 cs.CV cs.LG eess.IV