Detecting Abnormal Operations in Concentrated Solar Power Plants from Irregular Sequences of Thermal Images
University of Mons(蒙斯大学)
针对聚光太阳能电站热图像序列不规则、含日周期模式且高低温异常难区分的问题,提出基于深度序列预测的异常检测方法,性能优于多个SOTA基线并已落地部署。
2024-06-23 cs.CV cs.LG
Deep Weakly-supervised Anomaly Detection
Singapore Management University(新加坡管理大学);Zhejiang University(浙江大学);Data61(Data61研究所);University of Adelaide(阿德莱德大学)
本文提出深度弱监督模型 PReNet,通过预测随机样本对的关系学习异常与正常判别模式,从而检测可见及未知异常,并在12个数据集上显著优于9种方法。
2023-06-05 cs.LG stat.ML
AnoOnly: Semi-Supervised Anomaly Detection with the Only Loss on Anomalies
University of Electronic Science and Technology of China(电子科技大学);Juntendo University(顺天堂大学);RIKEN(理化学研究所)
AnoOnly提出一种仅对异常进行损失监督的半监督异常检测框架,通过暂停对正常数据的严格监督并利用批归一化实现弱监督,以平衡数据不平衡,提升检测性能并增强对标签噪声的鲁棒性。
2023-09-06 cs.AI cs.LG
Open-Set Multivariate Time-Series Anomaly Detection
McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
本文提出MOSAD框架,通过少量标注异常样本和异常感知对比头构建共享表示空间,解决开放集多变量时间序列异常检测问题,并在三个真实数据集上取得最优性能。
2024-08-07 cs.LG
AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme
Seoul National University(首尔大学)
AnomalyBERT提出基于数据退化方案的自监督Transformer,通过合成离群值替换输入数据训练模型,有效检测多元时间序列异常,在五个真实基准上超越现有方法。
2023-05-08 cs.AI cs.LG
Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems
Purdue University(普渡大学);Ahsanullah University of Science and Technology(阿萨努拉科技大学)
监控场景中的异常检测(AD)是一个新兴且具有挑战性的研究领域。对于无人机或汽车等自动驾驶汽车来说,实时区分正常和异常状态非常重要。此外,我们还需要检测任何设备故障。但异常的性质和程度可能会因实际环境和对手而异。因此,对所有病例进行先验建模并使用监督方法进行分类是不切实际的。此外,自主车辆提供各种数据类型,如图像和其他模拟或数字传感器数据,如果有效地利用,所有这些数据类型都可以在异常检测中有用。为此,在本文中,提出了一种异构系统,它估计的异常程度的无人驾驶侦察无人机,分析实时图像和IMU(惯性测量单元)传感器数据,在无人监督的方式。在这里,我们展示了一个卷积神经网络(CNN)架构,名为AngleNet,用于估计正常图像和另一个正在考虑的图像之间的角度,这为我们提供了设备异常的度量。此外,IMU的数据被用于自动编码器,以预测异常。最后,将两种算法的结果进行综合,以估计最终的异常程度。该方法在IEEE SP Cup-2020数据集上的性能令人满意,准确率为97.3%。此外,我们还在内部数据集上测试了这种方法,以验证其鲁棒性。
2020-07-14 cs.CV cs.LG eess.IV
Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection
University Politehnica of Bucharest(布加勒斯特理工大学);MBZ University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Aalborg University(奥尔堡大学);University of Bucharest(布加勒斯特大学);SecurifAI(SecurifAI公司);Milestone Systems(Milestone Systems公司);Linköping University(林雪平大学);University of Central Florida(中佛罗里达大学)
异常检测通常被视为一类分类问题,其中模型只能从正常训练样本中学习,同时在正常和异常测试样本上进行评估。在用于异常检测的成功方法中,一个区别类别的方法依赖于预测掩蔽信息(例如,补丁、未来帧等)。以及利用关于所述屏蔽信息的所述重构误差作为异常性分数。与相关方法不同,我们提出将基于重建的功能集成到一个新的自监督预测建筑构建块中。所提出的自监督块是通用的,可以很容易地被纳入到各种国家的最先进的异常检测方法。我们的块从具有扩张滤波器的卷积层开始,其中接收场的中心区域被掩蔽。所得到的激活图通过通道注意模块。我们的块配备了一个损失,最大限度地减少重建误差相对于掩蔽区的感受野。我们通过将其集成到几个最先进的图像和视频异常检测框架中来展示我们的块的一般性,提供了经验证据,表明MVTec AD,Avenue和ShanghaiTech的性能有了相当大的改进。我们在https://github.com/ristea/sspcab上以开源方式发布我们的代码。
2022-03-14 cs.CV cs.LG
Active anomaly detection based on deep one-class classification
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Harvard University(哈佛大学)
本文针对 Deep SVDD 的主动学习,提出基于自适应边界的不确定样本查询策略和结合噪声对比估计的半监督单类分类方法,并在七个异常检测数据集上验证其有效性。
2023-09-18 cs.LG
EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection
Ajou University(明知大学);Ajou University Medical Center(明知大学医学中心);Ajou University School of Medicine(明知大学医学院)
针对ECG异常数据稀缺导致监督学习受限的问题,本文提出基于GAN的无监督模型EB-GAME,仅用正常信号标签训练,在MIT-BIH数据集上达到SOTA性能。
2024-04-08 cs.LG eess.SP
RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision
National University of Defense Technology(国防科技大学);Singapore Management University(新加坡管理大学)
针对半监督异常检测中异常污染误导学习、离散监督信息利用不足的问题,提出RoSAS方法,通过质量插值生成连续异常度样本并加入特征学习约束,在11个数据集上AUC-PR较SOTA提升20%-30%,鲁棒性更优。
2023-07-25 cs.AI cs.LG
Assessing the Operational Viability of Foundation Models for Time Series Forecasting
Google, USA(谷歌公司,美国)
通过对比基础模型与监督学习方法在四种操作场景下的性能,提出基于经验特征的复杂度路由器以实现精度与效率的平衡。
2026-05-23 cs.AI cs.LG stat.AP
Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories
针对稀疏GPS轨迹和标签稀缺下的异常停靠检测,提出稀疏感知分割、局部时间指标调整、标签传播与GCN及自训练相结合的半监督方法,在真实数据上以10个标记样本实现AUC 0.854和AP 0.866。
2025-10-14 cs.LG
Normality-Calibrated Autoencoder for Unsupervised Anomaly Detection on Data Contamination
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Harvard University(哈佛大学)
在本文中,我们提出了正常校准自动编码器(NCAE),它可以提高异常检测性能的污染数据集没有任何先验信息或显式异常样本在训练阶段。NCAE从具有低熵的潜在空间逆向生成高置信度的正常样本,并利用它们来预测训练数据集中的异常样本。NCAE经过培训,以最大限度地减少未污染样品中的重建误差,并最大限度地增加污染样品中的重建误差。实验结果表明,我们的方法优于浅层,混合和深层的方法进行无监督异常检测,并实现与半监督方法相比,在训练阶段使用标记的异常样本的性能。源代码可在`https://github.com/andreYoo/NCAE_UAD.git '上公开获取。
2021-10-28 cs.AI cs.LG
Semi-supervised anomaly detection algorithm based on KL divergence (SAD-KL)
Jeju National University(济州大学)
在半监督学习的异常数据检测中,通常将未标记数据假设为正常数据。然而,当未标记数据的分布不同于标记正态数据集的分布时,这种假设会导致不可避免的检测错误。针对标记数据和未标记数据之间的分布差距所带来的问题,提出了一种基于KL散度的半监督异常检测算法(SAD-KL)。该方法由两个步骤组成:(1)估计已标记正态数据和未标记数据的局部离群因子的概率密度函数的KL散度;(2)利用KL散度估计未标记数据中正态数据的检测概率和检测阈值。我们表明,PDF的LOFs遵循伯尔分布,并使用它们进行检测。一旦计算出阈值,SAD-KL就迭代地运行,直到标记变化率低于预定义阈值。实验结果表明,SAD-KL算法在学习时间较短的情况下,仍具有较好的检测概率。
2022-03-28 cs.CV cs.LG
Bi-Grid Reconstruction for Image Anomaly Detection
Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文提出GRAD方法,通过双网格重建从正常和异常两个角度增强图像异常检测,解决细粒度异常识别难题,在多个数据集上表现优于现有方法。
2025-04-01 cs.CV cs.LG
SAFE-D: A Spatiotemporal Detection Framework for Abnormal Driving Among Parkinson's Disease-like Drivers
Hong Kong JC STEM Lab of Smart City and Department of Computer Science, City University of Hong Kong(香港JC STEM实验室及城市大学计算机科学系);Department of Computer Science and Engineering, Hong Kong University of Science and Technology(香港理工大学计算机科学与工程系);Department of Electrical and Electronic Engineering, The University of Hong Kong(香港大学电子与电气工程系)
针对帕金森病导致的病理性驾驶异常,本文提出融合多车辆控制数据与注意力时空网络的 SAFE-D 框架,并在 CARLA 仿真中实现 96.8% 的平均检测准确率。
2025-10-20 cs.HC cs.LG
Qsco: A Quantum Scoring Module for Open-set Supervised Anomaly Detection
Stevens Institute of Technology(史蒂文斯理工学院);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出量子评分模块Qsco,将量子变分电路嵌入神经网络,用于开放集异常检测,在八个数据集上验证了其优越性能与可行性。
2024-12-16 cs.AI cs.LG
A semi-supervised deep learning algorithm for abnormal EEG identification
IBM Research(IBM研究院)
可以自动分析EEG信号的系统可以通过减少繁重的工作量和延迟来帮助神经科医生。然而,这样的系统需要首先使用标记的数据集进行训练。虽然存在大量的EEG数据,但其中一小部分被标记。手工标记数据增加了我们试图帮助的神经科医生的工作量。本文提出了一种半监督学习工作流程,不仅可以从大型未标记的EEG数据集中提取有意义的信息,而且可以使用小到5个样本的标记数据集进行预测。
2019-11-06 cs.LG eess.SP stat.ML
Where is the disease? Semi-supervised pseudo-normality synthesis from an abnormal image
George Mason University(乔治梅森大学)
伪正常合成,其通过计算从异常图像生成伪正常图像(例如,具有病变)在从病变检测、数据增强到临床手术建议的许多方面都是关键的。然而,在缺乏病变信息的情况下生成高质量的伪正常图像具有挑战性。因此,引入了昂贵的病变分割数据来为生成模型提供病变信息并提高合成图像的质量。在本文中,我们的目标是减轻需要大量的病变分割数据时,产生伪正常图像。我们提出了一个半监督医学图像生成学习网络(SMILE),它不仅利用有限的医学图像与分割掩模,但也利用大量的医学图像没有分割掩模,以产生逼真的伪正常图像。大量的实验表明,我们的模型优于最好的国家的最先进的模型高达6%的数据增强任务和3%,在生成高质量的图像。此外,所提出的半监督学习实现可比的医学图像合成质量与监督学习模型,使用只有50的分割数据。
2021-06-24 cs.CV cs.LG eess.IV
Conformalized Semi-supervised Random Forest for Classification and Abnormality Detection
The University of Hong Kong(香港大学);Northwestern University(西北大学);Yale University(耶鲁大学)
本文提出 CSForest,将 Jackknife+aB 保形预测与半监督树集成结合,利用未标记测试样本生成集合预测并以空集检测新离群点,实验验证其在分布变化下的有效性。
2024-02-29 cs.LG
A method for incremental discovery of financial event types based on anomaly detection
Jilin University(吉林大学)
金融领域的事件数据集往往是基于实际应用场景构建的,其事件类型受场景约束,可重用性较弱;同时,海量多样的新型金融大数据也不能局限于针对特定场景定义的事件类型。这种有限的事件类型并不能满足我们对更复杂任务的研究需求,例如对重大金融事件的预测和对金融事件的连锁反应的分析。在本文中,提出了一个三阶段的方法来实现事件类型的增量发现。对于现有的带注释的金融事件数据集,三阶段方法包括:对于具有原始和未知事件类型的混合的金融事件数据集,首先应用具有异常检测的半监督深度聚类模型将数据分类为正常和异常事件,其中异常事件是不属于已知类型的事件;则用适当的事件类型标记正常事件,并且合理地聚类异常事件。最后,使用聚类关键字提取方法为新的事件聚类推荐事件的类型名称,从而增量地发现新的事件类型。所提出的方法是有效的增量发现新的事件类型的真实数据集。
2023-02-16 cs.AI cs.DB cs.LG
Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation
Samsung Electronics(三星电子);Seoul National University(首尔大学)
提出自监督时间序列异常检测技术LATAD,通过对比学习和可学习数据增强生成负样本提取特征,基于潜在特征相似度计算异常分数,性能优于现有方法并能诊断根本原因。
2024-06-18 cs.AI cs.CL cs.LG
BenchReAD: A systematic benchmark for retinal anomaly detection
The Center for Smart Health, School of Nursing, the Hong Kong Polytechnic University, Hong Kong, China(香港理工大学护理学院智能健康中心);School of Biomedical Engineering, Tsinghua University, Beijing, China(清华大学生物医学工程学院);Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China(中国科学院深圳先进技术研究院医学人工智能研究中心)
本研究提出BenchReAD基准,旨在解决视网膜异常检测领域缺乏全面且公开的评估标准的问题,通过系统化的数据和算法分类,引入了全监督方法DRA,并改进为NFM-DRA,实现了SOTA性能。
2025-07-14 cs.AI cs.CV cs.LG
Joint Self-Supervised and Supervised Contrastive Learning for Multimodal MRI Data: Towards Predicting Abnormal Neurodevelopment
University of Cincinnati(辛辛那提大学);University of Cincinnati College of Medicine(辛辛那提大学医学院);Perinatal Institute(围产期研究所)
针对多模态MRI特征简单融合存在信息捕捉不足、冗余等问题,提出联合自监督与监督对比学习方法,将异构特征投影到共享空间融合信息,在两个独立数据集上的异常神经发育预测效果优于现有深度多模态方法,可助力临床计算机辅助诊断。
2023-12-22 cs.AI cs.CV cs.LG
An Expert Ensemble for Detecting Anomalous Scenes, Interactions, and Behaviors in Autonomous Driving
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对自动驾驶道路异常检测,提出场景、交互、行为三个无监督专家,并用卡尔曼滤波集成,在大型数据集上优于现有方法。
2025-02-23 cs.AI cs.CV cs.LG
Detection of Abnormal Behavior with Self-Supervised Gaze Estimation
Korea University(高丽大学)
由于最近爆发COVID-19,许多课程、考试和会议都是非面对面进行的。然而,视频会议解决方案的基础仍然不足。因此,这项技术已经成为一个重要的问题。特别是,这些技术对于非面对面测试至关重要,技术传播迫在眉睫。在本文中,我们提出了一个单一的视频会议解决方案,使用凝视估计准备这些问题。凝视是分析人类行为等任务的重要线索。因此,已经提出了许多研究来使用深度学习解决视线估计,这是迄今为止最突出的方法之一。我们使用这些凝视估计方法来检测视频会议参与者的异常行为。我们的贡献如下。i)我们找到并应用最佳网络用于凝视估计方法,并应用自监督方法来提高准确性。ii)对于异常检测,我们提出了一个新的数据集,该数据集聚合了新的凝视、头部姿势等的值。iii)我们在多层感知器(MLP)模型上训练新创建的数据,以基于深度学习检测异常行为。我们通过实验证明了我们的方法的鲁棒性。
2021-07-14 cs.CV cs.LG eess.IV
SB-SSL: Slice-Based Self-Supervised Transformers for Knee Abnormality Classification from MRI
University of Surrey(萨里大学);Children’s National Hospital(国家儿童医院);Surrey Institute for People-Centred AI(萨里以人为本人工智能研究所)
在为医疗保健领域开发监督机器学习解决方案时,具有高质量地面真实标签的大规模数据的可用性是一个挑战。尽管临床工作流程中的数字数据量正在增加,但大多数数据都分布在临床研究中心,并受到保护,以确保患者隐私。放射学读数和处理大规模临床数据给可用资源带来了巨大的负担,而这正是机器学习和人工智能发挥关键作用的地方。用于肌肉骨骼(MSK)诊断的磁共振成像(MRI)就是一个例子,其中扫描具有丰富的信息,但需要大量的时间进行读取和标记。自监督学习(SSL)可以是处理缺乏地面真实标签可用性的解决方案,但通常需要在预训练阶段使用大量训练数据。在本文中,我们提出了一个基于切片的自监督深度学习框架(SB-SSL),这是一种新的基于切片的范例,用于使用膝关节MRI扫描对异常进行分类。我们表明,对于有限数量的病例(<1000),我们提出的框架能够识别前交叉韧带撕裂,准确率为89.17%,AUC为0.954,在预训练期间不使用外部数据的情况下优于最先进的技术。这表明,我们提出的框架是适合SSL在有限的数据制度。
2022-08-29 cs.CV cs.LG eess.IV
Anomaly Detection in Additive Manufacturing Processes using Supervised Classification with Imbalanced Sensor Data based on Generative Adversarial Network
Virginia Tech(弗吉尼亚理工大学);NJIT(新泽西理工学院)
监督分类方法已被广泛用于先进制造过程的质量保证,例如用于异常(缺陷)检测的增材制造(AM)。然而,由于在制造过程中异常状态(有缺陷)比正常状态(无缺陷)发生的频率低得多,因此从正常状态收集的传感器数据样本的数量通常比从异常状态收集的传感器数据样本的数量多得多。这个问题导致分类分析的训练数据不平衡,从而降低了过程中检测异常状态的性能。为异常状态生成有效的人工样本数据有利于训练集的均衡。为了实现这一目标,本文提出了一种新的数据增强方法的基础上生成对抗网络(GAN)使用增材制造过程图像传感器数据。我们的方法的新颖之处在于,一个标准的GAN和分类器的技术,以稳定的标准GAN的学习过程进行了联合优化。所生成的多样且高质量的样本为分类器提供了平衡的训练数据。GAN和分类器之间的迭代优化提供了高性能的分类器。通过聚合物和金属AM过程的公开源数据和实际案例研究,验证了所提出方法的有效性。
2022-11-25 cs.LG stat.AP
Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography
Sun Yat-sen University(中山大学);The First Affiliated Hospital, Sun Yat-sen University(中山大学附属第一医院)
准确的脑电自动分析将在很大程度上帮助临床医生有效地监测和诊断各种脑部疾病的患者。与使用标记的疾病EEG数据的监督学习相比,可以训练模型以分析特定疾病,但无法监测先前未见过的状态,仅基于正常EEG的异常检测可以检测新EEG中的任何潜在异常。与现有的异常检测策略在模型开发过程中不考虑异常数据的任何属性不同,本文提出了一种面向任务的自监督学习方法,该方法利用现有的正常脑电信号和异常脑电信号的专家知识来训练一个更有效的特征提取器,为异常检测器的后续开发奠定基础。此外,一个特定的两个分支的卷积神经网络与更大的内核被设计为特征提取器,使它可以更容易地提取大规模和小规模的特征,往往出现在不可用的异常脑电图。有效设计和训练的特征提取器已被证明能够从EEG中提取更好的特征表示,用于基于正常数据的异常检测器的开发和新EEG的未来异常检测,如在三个EEG数据集上所示。该代码可在https://github.com/ironing/EEG-AD上获得。
2022-07-04 cs.LG eess.SP
Disentangling Damage from Operational Variability: A Label-Free Self-Supervised Representation Learning Framework for Output-Only Structural Damage Identification
Department of Mechanical Engineering, Politecnico di Milano(机械工程系,米兰理工学院)
本文提出一种无标签自监督表示学习框架,通过分离损伤与操作变化,提升基于振动的结构损伤识别的鲁棒性,验证了其在桥梁和齿轮箱数据集上的有效性。
2026-04-21 cs.LG
Experimental Assessment of a Multi-Class AI/ML Architecture for Real-Time Characterization of Cyber Events in a Live Research Reactor
Purdue University(普渡大学)
本研究针对核反应堆AI/ML应用研究不足的问题,提出整合IT与OT数据流的多层AI/ML架构,在PUR-1研究堆上验证了其区分多类网络事件与运行异常的能力,同时指出数据同步等待优化方向。
2025-08-26 cs.LG
ECGAN: Self-supervised generative adversarial network for electrocardiography
University of Pisa(比萨大学)
高质量的合成数据可以支持为生物医学任务开发有效的预测模型,特别是在罕见疾病或受到强制性隐私限制时。例如,这些限制对关于心律失常的心电图数据集的开放获取产生负面影响。这项工作介绍了一种自我监督的方法来生成合成心电图时间序列,这被证明是促进形态学的可扩展性。我们的模型(ECGAN)允许调节特定节律异常的生成过程,增强样本之间的同步性和多样性。还定义了专用样本质量评估框架,利用心律失常分类器。实证结果突出了对国家的最先进的生成模型的序列和音频合成的实质性改善。
2023-01-23 cs.LG
Object-centric Auto-encoders and Dummy Anomalies for Abnormal Event Detection in Video
Inception Institute of Artificial Intelligence(起源人工智能研究院);University of Bucharest(布加勒斯特大学);SecurifAI
视频中的异常事件检测是一个具有挑战性的视觉问题。由于训练过程中异常数据的缺乏,大多数现有的方法将异常事件检测作为离群值检测任务。由于缺乏关于异常事件的先验信息,这些方法不能完全区分正常和异常事件。在这项工作中,我们将异常事件检测形式化为一个与其余的二进制分类问题。我们的贡献是双重的。首先,我们引入了一个基于以对象为中心的卷积自动编码器的无监督特征学习框架,以编码运动和外观信息。其次,我们提出了一种监督分类方法的基础上聚类的训练样本成常态集群。一个一对休息异常事件分类器,然后采用分离每个正常集群从休息。为了训练分类器,其他聚类充当虚拟异常。在推理过程中,如果一对其余分类器分配的最高分类分数为负,则对象被标记为异常。在Avenue、ShanghaiTech、UCSD和UMN四个基准上进行了全面的实验。我们的方法在所有四个数据集上都提供了优异的结果。在大规模上海科技数据集上,与最先进的方法相比,我们的方法在帧级AUC方面提供了8.4%的绝对增益[Sultani等人,CVPR 2018]。
2019-04-07 cs.CV cs.LG
Simple But Effective: Rethinking the Ability of Deep Learning in fNIRS to Exclude Abnormal Input
ETH Zurich(苏黎世联邦理工学院)
本文针对 fNIRS 深度学习模型难以识别分布外异常输入的问题,提出融合度量学习与监督方法的简单有效方案,显著提升多种网络尤其是 Transformer 模型的可靠性。
2024-03-20 cs.LG eess.SP
Abnormal Event Detection via Hypergraph Contrastive Learning
Beijing University of Posts and Telecommunications(北京邮电大学)
针对属性异构信息网络中的无监督异常事件检测问题,提出超图对比学习方法AEHCL,通过事件内和事件间对比模块捕获异常交互,显著提升了检测性能。
2023-04-02 cs.AI cs.LG
Listen2YourHeart: A Self-Supervised Approach for Detecting Murmur in Heart-Beat Sounds
Harokopio University of Athens(哈罗科皮奥雅典大学);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
心脏杂音是心跳中出现的异常声音,由心脏中的湍流血流引起。PhysioNet 2022挑战的目标是自动检测心脏录音中的杂音,并自动检测正常与异常的临床结果。这些记录是从心脏周围的多个位置捕获的。我们的参与调查的有效性自我监督学习杂音检测。我们用今年和2016年挑战赛的数据,以自我监督的方式训练骨干CNN的各层。我们对每个训练样本使用两种不同的增强,以及归一化的温度标度交叉熵损失。我们实验不同的增强学习有效的心音图表示。为了构建最终的检测器,我们训练两个分类头,每个挑战任务一个。我们目前的所有组合的可用增强的评估结果,并为我们的multipleaugmentation方法。我们团队的Listen2YourHeart SSL杂音检测分类器在隐藏测试集上获得了0.737的加权准确度得分(在40个团队中排名第13)和11946的结果识别挑战成本得分(在39个团队中排名第7)。
2022-10-03 cs.LG eess.SP
Operational Latent Spaces
Belmont University(贝尔蒙特大学);Hyperstate AI(海珀州人工智能公司)
本文提出可运算潜在空间(OpLaS)概念,通过自监督学习构建不仅具有语义聚类、还能支持有意义变换的潜在空间,并引入FiLMR层实现旋转算子以支持音乐中的环状对称结构。
2024-06-04 cs.LG cs.SD eess.AS
Non-technical Loss Detection with Statistical Profile Images Based on Semi-supervised Learning
Huazhong University of Science and Technology(华中科技大学)
为了跟踪电网的运行状态,部署了数以亿计的智能电表,形成了世界上最大的传感器系统--智能电网。该系统可以发现并快速响应整个电网的任何潜在威胁。非技术损失(NTL)一直是一个主要的关注,其后果是安全风险以及不可估量的收入损失。然而,NTL的各种原因可能在数据中反映出不同的特征。因此,面对如此大规模的收集数据记录,准确捕捉这些异常是相当棘手的。本文提出了一种新的异常用电检测方法。我们对收集到的时间序列数据进行了转换,将其转换为能够很好地反映用户相对长期消费行为的图像表示。受计算机视觉领域用于目标检测的优秀神经网络架构的启发,我们设计了我们的深度学习模型,该模型将变换后的图像作为输入,并从输入提供的多个方面推断出联合特征。考虑到有限的标记样本,特别是异常的,我们使用我们的模型在半监督的方式,这是近年来提出的。该模型进行了测试,通过现场检查验证的样本,我们的方法表现出显着的改善。
2019-07-09 cs.LG stat.ML
Weakly Supervised Arrhythmia Detection Based on Deep Convolutional Neural Network
School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院);Peng Cheng Laboratory(鹏城实验室);School of Physics and Astronomy, University of Manchester(曼彻斯特大学物理与天文学院);Northeastern University(东北大学)
监督式深度学习在心电图自动分类研究中得到了广泛的应用,这在很大程度上得益于对大数据集的充分标注。然而,现有的大部分ECG数据集都是粗略注释的,因此在其上训练的分类模型只能检测整个记录中异常的存在,但不能确定其确切的发生时间。此外,构建精细注释的ECG数据集可能花费巨大的时间和经济成本。因此,本研究提出了弱监督深度学习模型,用于检测异常ECG事件及其发生时间。模型的可用监督信息仅限于ECG记录中的事件类型,不包括每个事件的具体发生时间。利用深度卷积神经网络的特征局部性,模型首先根据局部特征进行预测,然后聚合局部预测来推断整个记录期间每个事件的存在。通过训练,期望局部预测反映每个事件的具体发生时间。为了测试它们的潜力,我们分别使用AFDB和MITDB数据集应用这些模型来检测心脏节律性和形态性心律失常。结果表明,该模型在检测心房颤动时达到了99.09%的搏动级准确率,在检测形态性心律失常时达到了99.13%的准确率,这与完全监督学习模型的准确率相当,证明了它们的有效性。该方法所揭示的局部预测图也有助于分析和诊断记录级分类模型的决策逻辑。
2020-12-10 cs.LG eess.SP
Abnormal component analysis
Institut Polytechnique de Paris(巴黎综合理工学院)
本文提出异常成分分析(ACA),利用数据深度得分搜索低维表示,以更好地可视化和解释异常,并在模拟与真实数据研究中验证其优于现有方法。
2025-06-05 cs.LG stat.ME stat.ML
CXR Segmentation by AdaIN-based Domain Adaptation and Knowledge Distillation
Kim Jaechul Graduate School of AI, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院金在哲人工智能研究生院)
由于分割标签是稀缺的,已经进行了广泛的研究,训练分割网络与域自适应,半监督或自监督学习技术,以利用丰富的未标记的数据集。然而,这些方法似乎彼此不同,因此不清楚如何将这些方法组合以获得更好的性能。受最近的多域图像翻译方法的启发,在这里,我们提出了一种新的分割框架,使用自适应实例归一化(AdaIN),使一个单一的生成器被训练来执行域自适应和半监督分割任务,通过知识蒸馏,通过简单地改变特定于任务的AdaIN代码。具体而言,我们的框架旨在处理胸部X射线照片(CXR)分割中的困难情况,其中标签仅适用于正常数据,但训练模型应适用于正常和异常数据。所提出的网络在域转移下表现出很大的泛化能力,并在异常CXR分割方面达到了最先进的性能。
2022-10-11 cs.CV cs.LG eess.IV
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data
Australian Institute for Machine Learning(澳大利亚机器学习研究所);The University of Adelaide(阿德莱德大学);Advanced Analytics Institute(高级分析研究所);University of Technology Sydney(悉尼科技大学)
我们考虑的问题的异常检测与一个小的部分标记的异常的例子和一个大规模的未标记的数据集。这是许多重要应用中的常见场景。现有的相关方法要么专门适合通常不跨越整个异常集的有限异常示例,要么从未标记的数据进行无监督学习。相反,我们在这里提出了一种基于深度强化学习的方法,该方法可以对标记和未标记异常的检测进行端到端的优化。该方法通过自动地与异常偏置的模拟环境交互来学习已知的异常,同时连续地将所学习的异常扩展到新的异常类别(即,未知的异常),通过主动探索未标记数据中可能的异常。这是通过联合优化小标记异常数据的利用和罕见的未标记异常的探索来实现的。在48个真实世界数据集上进行的广泛实验表明,我们的模型明显优于五种最先进的竞争方法。
2021-06-10 cs.AI cs.CR cs.CV
Decentralised Semi-supervised Onboard Learning for Scene Classification in Low-Earth Orbit
AI Sweden(瑞典人工智能研究所)
针对低轨卫星场景分类,提出分散式半监督星上学习方法,考虑运行约束,在一天内达到约91%精度。
2023-05-06 cs.DC cs.LG cs.MA
Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学)
声波异常检测的目的是区分异常声波信号和正常声波信号。它存在着阶级不平衡问题和非正常情况的缺乏。此外,收集各种异常或未知样本用于训练目的是不切实际且耗时的。提出了一种基于半监督学习框架的高斯混合生成对抗网络(GMGAN),该网络不仅可以在谱图重构空间中捕获训练数据的底层结构,还可以在潜在表征空间中以判别的方式进一步限制训练数据的底层结构。实验结果表明,该模型具有明显的优越性,并取得了最先进的结果在DCASE数据集。
2020-02-05 cs.CV cs.LG cs.SD
Attention-stacked Generative Adversarial Network (AS-GAN)-empowered Sensor Data Augmentation for Online Monitoring of Manufacturing System
Oklahoma State University(俄克拉荷马州立大学)
针对制造系统异常传感器数据不足导致的数据不平衡问题,本文提出注意力堆叠生成对抗网络AS-GAN,通过增强生成器捕获序列信息的能力来生成高质量异常样本,从而提升在线监测性能。
2024-02-22 cs.LG
GAR: An efficient and scalable Graph-based Activity Regularization for semi-supervised learning
University of South Florida(南佛罗里达大学)
在本文中,我们提出了一种新的基于图的方法半监督学习的问题,它认为是一个自适应的邻接的例子在整个训练的无监督部分。使用神经网络模型的预测推断的例子的相邻性,该模型首先由监督预训练初始化。然后,根据一种新的无监督目标更新这些预测,该目标正则化另一个邻接,现在连接输出节点。从网络的预测中推断出的输出节点的邻接规则化,创建了一个更容易的优化问题,并最终使网络的预测变成最佳嵌入。最终,所提出的框架提供了一个有效的和可扩展的基于图的解决方案,这是自然的深层神经网络的操作机制。我们的研究结果表明,与最先进的生成方法的半监督学习的一个机器人到训练,低成本的框架相当的性能。
2020-08-05 cs.LG
COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images
Institute of Computer Science, University of Tartu(塔尔图大学计算机科学学院);Better Medicine;STACC
提出反事实图像修复方法COIN,通过生成模型将异常分类标签翻转为正常,利用易获取的图像级标签在无需分割掩码的情况下实现医学图像病理的精确弱监督语义分割。
2024-07-25 cs.AI cs.CV cs.LG
Fusing Multi- and Hyperspectral Satellite Data for Harmful Algal Bloom Monitoring with Self-Supervised and Hierarchical Deep Learning
University of Colorado Boulder(科罗拉多大学博尔德分校)
提出自监督机器学习框架SIT-FUSE,融合多传感器卫星反射率与TROPOMI太阳诱导荧光数据,通过分层深度聚类生成有害藻华严重程度和物种分类产品,在墨西哥湾和南加州验证了与实测数据的一致性。
2026-02-01 cs.AI cs.LG
TailBooster: A Dual-Layer Generative Framework for Extreme Value Augmentation with Operational Validity Enforcement
Delft University of Technology (TU Delft)(代尔夫特理工大学)
TailBooster是结合生成建模与双异常检测层的双层框架,用于解决混合表格数据的极值增强问题,可提升极端事件预测的操作有效性与精度,且与模型无关可扩展至多领域。
2026-08-13 cs.AI cs.LG
Efficient GAN-based method for cyber-intrusion detection
Shanghai Jiao Tong University(上海交通大学)
无处不在的异常不断危及我们系统的安全。它们可能会对系统造成不可逆转的损害,并导致隐私泄露。因此,及时发现这些异常至关重要。传统的监督方法,如决策树和支持向量机(SVM)被用来分类正常和异常。然而,在某些情况下,异常状态比正常状态少得多,这导致这些方法的决策偏差。生成对抗网络(GAN)已被提出来处理这种情况。它具有很强的生成能力,只需要学习正常状态的分布,并通过它与学习的分布之间的差距来识别异常状态。然而,现有的基于GAN的模型不适合处理具有离散值的数据,导致检测性能大幅下降。为了处理离散特征,在本文中,我们提出了一种高效的基于GAN的模型,具有专门设计的损失函数。实验结果表明,我们的模型优于国家的最先进的模型在离散数据集上,显着降低了开销。
2019-07-24 cs.CR cs.LG stat.ML
Lesion Localization in OCT by Semi-Supervised Object Detection
Renmin University of China(中国人民大学);Beijing Visionary Intelligence Ltd.(北京远景智能有限公司);Peking Union Medical College Hospital(北京协和医院)
全世界有超过3亿人受到各种视网膜疾病的影响。通过非侵入性光学相干断层扫描(OCT)扫描,可以识别视网膜中的许多异常结构变化,即视网膜病变。因此,OCT中的自动病变定位对于早期检测视网膜疾病非常重要。为了克服深度监督学习缺乏手动注释的问题,本文首次研究了利用半监督目标检测(SSOD)进行OCT图像中的病变定位。为此,我们开发了一个分类法,以提供一个统一的和结构化的观点,目前的SSOD方法,从而确定这些方法中的关键模块。为了评估这些模块在新任务中的影响,我们构建了OCT-SS,这是一个新的数据集,由超过1k个专家标记的OCT B扫描图像和超过13k个未标记的B扫描图像组成。OCT-SS上的广泛实验确定Unbiased Teacher(UnT)是当前用于病变定位的最佳SSOD方法。此外,我们在这个强基线上有所改善,mAP从49.34增加到50.86。
2022-04-24 cs.CV cs.LG
ESimCSE Unsupervised Contrastive Learning Jointly with UDA Semi-Supervised Learning for Large Label System Text Classification Mode
China Telecom Corporation Limited Chongqing Branch(中国电信集团有限公司重庆分公司)
针对大标签体系文本分类中标签多、分布不均和噪声高的问题,提出联合训练ESimCSE与UDA并引入FGM、PGD对抗训练,显著提升公开及业务数据集准确率。
2023-04-19 cs.CL cs.LG
Consistency-Based Semi-supervised Evidential Active Learning for Diagnostic Radiograph Classification
National University of Singapore(新加坡国立大学);Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);Singapore University of Technology and Design(新加坡科技设计大学)
深度学习方法实现了对放射学图像进行分类的最先进性能,但依赖于需要专家进行资源密集型注释的大型标记数据集。半监督学习和主动学习都可以用来减轻这种注释负担。然而,在结合半监督和主动学习方法的优点用于多标签医学图像分类方面的工作有限。在这里,我们介绍了一种新的基于一致性的半监督证据主动学习框架(CSEAL)。具体来说,我们利用基于证据理论和主观逻辑的预测不确定性来开发一种端到端的集成方法,该方法将基于一致性的半监督学习与基于不确定性的主动学习相结合。我们应用我们的方法来增强四种领先的基于一致性的半监督学习方法:伪标签,虚拟对抗训练,平均教师和NoTeacher。对多标签胸部X射线分类任务的广泛评估表明,CSEAL在两个领先的半监督主动学习基线上实现了实质性的性能改进。此外,对结果的分类分解表明,我们的方法可以用更少的标记样本大幅提高对罕见异常的准确性。
2022-09-05 cs.AI cs.CV cs.LG
Context-aware Self-supervised Learning for Medical Images Using Graph Neural Network
University of Pittsburgh(匹兹堡大学)
虽然自监督学习使我们能够通过利用未标记的数据来引导训练,但用于自然图像的通用自监督方法并没有充分结合上下文。对于医学图像,期望的方法应该足够灵敏以检测与每个解剖区域的正常外观组织的偏差;这里,解剖结构是背景。我们介绍了一种新的方法,具有两个层次的自我监督表示学习目标:一个在区域解剖水平上,另一个在患者水平上。我们使用图神经网络来整合不同解剖区域之间的关系。图的结构由每个患者与解剖图谱之间的解剖对应关系来告知。此外,图形表示具有以全分辨率处理任何任意大小的图像的优点。大规模计算机断层扫描(CT)数据集上的肺图像的实验表明,我们的方法相比,不考虑上下文的基线方法。我们使用学习的嵌入对与COVID-19相关的肺组织异常进行分期。
2022-07-06 cs.CV cs.LG eess.IV