Latent space conditioning for improved classification and anomaly detection
Lund University(隆德大学)
我们提出了一种新型的变分自编码器进行改进的预处理聚类和异常检测数据与给定的标签。然而,异常是未知的或未标记的。我们称我们的方法为条件潜在空间变分自动编码器,因为它通过对数据中的信息进行条件化来分离潜在空间。该方法将一个先验分布拟合到数据集中的每个类,有效地扩展了先验分布以包括高斯混合模型。我们的方法进行比较,对一个典型的变分自编码器的能力,通过测量他们的V-分数在集群形成的k-均值和EM算法。对于异常检测,我们使用了一个新的度量组成的质量-体积和多余的质量曲线,可以在无监督的设置。比较了孤立森林、局部离群因子和单类支持向量机等方法的分类结果。
2019-11-28 cs.LG stat.ML
Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA(弗劳恩霍夫研究所)
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法,通过加权物理信息损失学习物理依赖的时间分布,实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
PIF: Anomaly detection via preference embedding
Politecnico di Milano (DEIB)(米兰理工学院(DEIB));Università della Svizzera italiana(瑞士大学)
该研究提出结合自适应隔离与偏好嵌入的新型异常检测方法PIF,通过高维嵌入与PI-Forest计算异常分数,实验证明其性能优于现有先进技术。
2025-05-15 cs.AI cs.CV cs.LG
Angel or Devil: Discriminating Hard Samples and Anomaly Contaminations for Unsupervised Time Series Anomaly Detection
本文提出PLDA方法,通过结合参数行为和损失行为,提升无监督时间序列异常检测中区分异常污染和困难正常样本的能力,实验表明其显著提升检测性能。
2024-10-26 cs.AI cs.LG
AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks
Harbin University of Science and Technology(哈尔滨理工大学);Minjiang University(闽江学院)
属性网络异常检测的目标是发现模式与大多数参考节点有显著偏离的节点,这在网络入侵检测和社交垃圾邮件检测等应用中非常普遍。然而,大多数现有的方法忽略了网络结构和节点属性之间复杂的跨模态相互作用。在本文中,我们提出了一个深度联合表示学习框架,用于通过双自动编码器(AnomalyDAE)进行异常检测,该框架捕获网络结构和节点属性之间的复杂交互,以获得高质量的嵌入。具体而言,AnomalyDAE由结构自动编码器和属性自动编码器组成,以在潜在空间中联合学习节点嵌入和属性嵌入。此外,在结构编码器中引入注意力机制,学习节点与其邻居节点之间的重要性,从而有效地捕获结构模式,这对异常检测具有重要意义。此外,通过将节点嵌入和属性嵌入作为属性解码器的输入,在节点属性重构过程中学习网络结构和节点属性之间的跨模态交互。最后,通过从结构和属性两个角度测量节点的重构误差,可以检测异常。在真实数据集上的大量实验证明了该方法的有效性。
2020-02-12 cs.LG stat.ML
AKM$^2$D : An Adaptive Framework for Online Sensing and Anomaly Quantification
Arizona State University(亚利桑那州立大学);Georgia Institute of Technology(佐治亚理工学院)
在诸如坐标测量机(CMM)和激光超声之类的基于点的传感系统中,由于高传感时间和成本,完整的传感是不切实际的,通过系统的探索进行自适应传感对于在线检测和异常量化至关重要。大多数现有的序贯抽样方法集中于减少整个抽样空间的总体拟合误差。然而,在许多异常量化应用中,主要目标是精确地估计像素级的稀疏异常区域。在本文中,我们开发了一种新的框架,称为自适应核最大最小距离AKM $^2$ D,通过智能序贯抽样计划集成快速估计和检测,以加快检查和异常检测过程。所提出的方法平衡了空间填充采样(勘探)和异常区域附近的集中采样(开采)之间的采样努力。所提出的方法进行了验证,通过模拟和案例研究的异常检测复合板使用导波测试。
2019-10-04 cs.LG eess.SP stat.ML
A Subspace Projection Approach to Autoencoder-based Anomaly Detection
Deakin University(迪肯大学);IIT Kharagpur(印度理工学院卡拉格布尔分校)
自动编码器(AE)是一种神经网络(NN)架构,其被训练以在其输出处重构输入。通过测量新输入样本的重建误差,AE可以检测出偏离训练数据分布的异常样本。成功的关键是实现高保真重建(HFR),同时限制AE的泛化能力超出训练数据,这通常应该通过迭代重新训练来平衡。或者,我们提出了一种新的框架AE为基础的异常检测,创造HFR-AE,通过投影新的输入到一个子空间,其中训练的AE实现HFR,从而增加正常和异常样本重建误差之间的差距。仿真结果证实,HFR-AE提高了不同AE架构和设置下的接收器工作特征曲线(AUROC)下的面积高达13.4%相比,香草AE为基础的异常检测。
2023-02-15 cs.IT cs.LG math.IT
Dealing with Uncertainty in Contextual Anomaly Detection
AI Lab, Department of Information Engineering University of Florence(人工智能实验室,信息工程系,佛罗伦萨大学);DTAI Research Unit, Department of Computer Science & Leuven.AI KU Leuven(DTAI研究单位,计算机科学系及Leuven.AI,根特大学);Cardiology Service CMSR Veneto Medica, Italy(心脏科服务CMSR威尼斯医疗集团,意大利)
本文提出了一种基于异方差高斯过程回归的正常性分数框架,用于在上下文异常检测中建模和处理aleatoric和epistemic不确定性,以提高检测准确性和可解释性。
2026-01-28 cs.AI cs.LG stat.ML
Unsupervised Anomaly Detection in NSL-KDD Using $β$-VAE: A Latent Space and Reconstruction Error Approach
Université de Reims Champagne-Ardenne(兰斯香槟-阿登大学);Seckiot
本文提出基于β-VAE的无监督异常检测方法,通过潜在空间结构和重构误差在NSL-KDD数据集上验证了其在网络流量异常检测中的有效性。
2026-02-23 cs.LG cs.NE stat.ML
Semi-Markov Switching Vector Autoregressive Model-based Anomaly Detection in Aviation Systems
NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
在这项工作中,我们考虑在异构,多变量,可变长度的时间序列数据集的异常检测问题。我们的重点是航空安全领域,其中数据对象是航班,时间序列是传感器读数和飞行员开关。在这种情况下,目标是检测由于机械、环境或人为因素而导致的异常飞行路段,以识别运营上的重大事件,提供对飞行运营的见解,并强调否则无法实现的潜在安全风险和事故前兆。为了这个目的,我们提出了一个框架,代表每个航班使用半马尔可夫切换向量自回归(SMS-VAR)模型。然后,异常的检测基于测量模型的预测和数据观察之间的差异。由于大多数计算的固有并行性质,该框架是可扩展的,并且可以用于执行在线异常检测。在模拟和真实数据集上的大量实验结果表明,该框架可以检测各种类型的异常以及所涉及的关键参数。
2016-02-28 cs.LG stat.AP stat.ML
Know Unreported Roadway Incidents in Real-time: Early Traffic Anomaly Detection
Department of Civil and Environmental Engineering, Carnegie Mellon University(土木与环境工程系,卡内基梅隆大学);Heinz College, Carnegie Mellon University(海因兹学院,卡内基梅隆大学)
本研究提出一种利用先验领域知识和模型设计策略的深度学习框架,用于实时、尽早检测或预测未报告的交通异常,实验证明其在不同地图的多个路段上更有效且更早。\n
2025-04-23 cs.AI cs.LG
Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks
Global AI Accelerator (GAIA), Ericsson(全球人工智能加速器(GAIA),爱立信)
针对多变量异常检测缺乏可解释、可落地的业务规则的问题,本文提出一种适配无线接入网场景、支持离散和时间序列数据的半自治异常规则挖掘器,可将异常模式映射为可执行规则。
2025-01-11 cs.AI cs.LG
Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection
提出 TimeRep 异常检测方法,利用时间序列基础模型中间层表示计算异常分数,结合 core-set 策略和自适应机制应对概念漂移,在 UCR Anomaly Archive 上优于多种最先进基线。
2025-09-16 cs.AI cs.LG
Anomaly Detection on Graph Time Series
本文利用变分递归神经网络研究了图时间序列的异常检测问题。时间相关性由递归神经网络(RNN)和变分推理(VI)的组合来建模,而空间信息由图卷积网络来捕获。为了更好地考虑外部因素,我们使用特征提取器来增加隐变量的转换,从而可以学习外部因素的影响。以累积ELBO为目标函数,可以方便地将该模型推广到在线方法。对交通流数据的实验研究表明了该方法的检测能力。
2022-05-29 cs.LG cs.NE stat.ML
Latent Geometry as a Structural Monitor: Eigenspace Alignment for Anomaly Detection in Anonymity Networks
USPTO(美国专利局)
本文提出利用潜在几何结构来监测匿名网络中的异常,通过特征空间对齐方法检测行为群体中的异常模式,展示了在Tor网络中通过双观察者流程识别稳定九维负载子空间的方法,并验证了其结构稳定性。
2026-05-19 cs.CR cs.LG
Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly Detection with Scale Learning
National Key Laboratory of Parallel and Distributed Computing(并行与分布计算国家重点实验室);College of Computer, National University of Defense Technology(国防科技大学计算机学院);College of Science, National University of Defense Technology(国防科技大学理学院)
本文提出基于尺度学习的深度异常检测方法,通过将数据子向量维度与表示维度的关系定义为尺度标签,利用尺度分布对齐监督学习数据内在规律,从而有效度量异常程度,并在实验中显著优于现有生成式和对比式方法。
2023-05-25 cs.AI cs.LG
A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring)
本文提出一种基于信息论不确定性(惊异度)的无模型机器学习框架,通过直接测量不确定性实现泛化推断,在多种任务上达到或接近最优性能,并保持可解释性。
2026-10-12 cs.AI cs.LG math.ST
Towards Explainable Anomaly Detection in Shared Mobility Systems
University of Padova(帕多瓦大学)
本文提出融合多源数据的可解释异常检测框架,结合孤立森林与DIFFI算法,在共享出行系统中实现站点级异常分析并揭示外部因素影响。
2025-07-21 cs.AI cs.LG
AEGR: A simple approach to gradient reversal in autoencoders for network anomaly detection
异常检测是指一个过程,其目的是检测遵循与大多数数据点不同模式的数据点。异常检测方法受到几个众所周知的挑战,阻碍了他们的性能,如高维。自动编码器是无监督的神经网络,用于降低维数,并检测大型数据集中的网络异常。当训练集包含噪声和异常时,自动编码器的性能会减弱。本文提出了一种新的梯度反转方法,以克服异常对训练阶段的影响,以检测网络异常。该方法与其他方法不同,因为它不需要无异常的训练集,并且基于重建误差。一旦从网络中提取出潜在变量,就可以使用局部离群值因子将正常数据点与异常数据点分开。还添加了简单的修剪方法和数据增强以进一步提高性能。实验结果表明,该模型的性能优于其他众所周知的方法。
2020-02-28 cs.LG stat.ML
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
TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations
本文提出基于重建的异常检测方法,通过2D和3D自编码器在集成和时间依赖模拟中识别异常模式,强调时空上下文对动态模拟异常检测的重要性。
2026-01-13 cs.AI cs.CV cs.LG
Novel semi-metrics for multivariate change point analysis and anomaly detection
University of Sydney(悉尼大学);Tsinghua University(清华大学)
本文提出了一种新的方法来确定时间序列之间的相似性和异常,最实际有效的大集合(可能相关)的时间序列,通过测量这样的集合内的结构性断裂之间的距离。我们引入了一类\emph{semi-metric}距离测度,我们称之为\emph{MJ distances} .这些半度量提供了优于现有选项(诸如Hausdorff和Wasserstein度量)的优势。我们证明了它们具有理想的属性,包括对离群值更好的敏感性,而模拟数据的实验表明,它们更有效地揭示了时间序列集合内的相似性。半度量有一个潜在的缺点:如果没有三角不等式,它们可能不满足“传递性的接近性”。“我们用证据分析了这种失败,并引入了一种计算方法来调查,在这种方法中,我们证明了我们的半度量很少和温和地违反传递性。最后,我们将我们的方法应用于加密货币和麻疹数据,介绍了特征值分析的明智应用。
2020-07-03 cs.LG math.DS stat.CO
Anomaly Detection in Particulate Matter Sensor using Hypothesis Pruning Generative Adversarial Network
SK Planet Co.,Ltd.(SK Planet有限公司)
世界卫生组织(WHO)提供了管理颗粒物(PM)水平的指南,因为当PM水平较高时,它会威胁人类健康。为了管理PM水平,首先需要测量PM值的程序。我们使用基于锥形元件振荡微量天平(TEOM)的PM测量传感器,因为它比基于β衰减监测器(BAM)的传感器具有更高的成本效益。然而,基于TEOM的传感器比基于BAM的传感器具有更高的故障概率。在本文中,我们称之为异常的整体故障,我们的目标是检测异常的PM测量传感器的维护。本文提出了一种基于假设剪枝的生成对抗网络(HP-GAN)。我们通过实验比较了几种异常检测架构,以证明我们的表现更好。
2020-02-14 cs.CV cs.LG eess.IV
Measuring Stochastic Data Complexity with Boltzmann Influence Functions
Massachusetts Institute of Technology(麻省理工学院);University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究院)
提出IF-COMP,用温度标度玻尔兹曼影响函数线性化模型以近似pNML分布,实现不确定性校准与数据复杂度测量,在多项任务中匹配或超越强基线。
2024-07-18 cs.LG
Measuring Fine-Grained Relatedness in Multitask Learning via Data Attribution
University of California San Diego(加州大学圣地亚哥分校);Carnegie Mellon University(卡内基梅隆大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出多任务影响函数(MTIF),将数据归因扩展至多任务学习以测量实例级任务相关性,并借此设计数据选择策略有效缓解负迁移,持续提升模型性能。
2025-05-27 cs.LG
Measuring Social Influence with Networked Synthetic Control
Ho-Chun Herbert Chang(独立研究者)
针对社会影响力测量缺乏反事实对照的问题,本文结合机器学习与网络科学,分析基于合成控制的社会价值指标的理论性质,并通过仿真验证广义友谊悖论的成立,同时实现了集成模型的计算优化。
2025-05-19 cs.LG cs.SI
Dynamic Influence Tracker: Measuring Time-Varying Sample Influence During Training
本文提出 DIT,在不依赖凸性或收敛假设的理论保证下追踪训练任意窗口内样本影响的动态变化,并更准确高效地检测受损样本。
2025-02-15 cs.AI cs.LG stat.ML
Interpretable Stochastic Block Influence Model: measuring social influence among homophilous communities
MIT Media Lab(麻省理工学院媒体实验室);McCombs School of Business at UT-Austin(德克萨斯大学奥斯汀分校麦库姆斯商学院);Harvard University(哈佛大学)
网络上的决策可以用同质性和社会影响来解释。虽然同质性驱动着具有相似特征的社区的形成,但社会影响既发生在社区内部,也发生在社区之间。社会影响可以通过角色理论来解释,即个体之间的影响取决于他们的角色和利益行为。为了操作这些社会科学理论,我们经验性地确定同性恋社区,并使用社区结构来捕捉“角色”,这影响了特定的决策过程。我们提出了一个生成模型命名为随机块影响模型,并共同分析网络的形成和行为的影响,在不同的社区内和不同的社区之间。为了评估性能和证明我们的方法的可解释性,我们研究了在印度的一个村庄的小额信贷的采用决定。我们发现,虽然个人倾向于形成社区内的联系,社区之间有很强的积极和消极的社会影响,支持弱关系理论。此外,我们发现具有共同特征的社区与积极影响有关。相反,缺乏重叠的社区与负面影响有关。我们的框架有利于量化的影响决策社区,因此是一个有用的工具,推动信息扩散,病毒式营销和技术采用。
2020-06-01 cs.LG cs.SI
Measuring the Influence of Observations in HMMs through the Kullback-Leibler Distance
Université Paris Descartes(巴黎笛卡尔大学);CNRS(法国国家科学研究中心)
我们通过Kullback-Leibler距离(KLD)来度量个体观测对隐马尔可夫模型(HMM)隐状态序列的影响。也就是说,我们考虑的KLD之间的条件分布的隐藏状态的链给定的完整序列的观察和条件分布的隐藏链给定的所有的观察,但在考虑中。我们引入了一个线性复杂度算法来计算所有观测值的影响。作为一个例子,我们调查我们的算法的应用程序的问题,检测HMM数据序列中的离群点。
2012-12-18 cs.IT cs.LG math.IT
On the Accuracy of Influence Functions for Measuring Group Effects
Stanford University(斯坦福大学)
影响函数估计移除模型上的训练点的影响,而无需重新训练。它们基于一阶泰勒近似,保证对模型的足够小的变化是准确的,因此通常用于研究大型数据集中单个点的影响。然而,我们经常想研究大量训练点的效果,例如,诊断批量效应或在不同数据源之间分配信用。删除这样大的组可能会导致模型发生重大更改。在这种情况下,影响函数是否仍然准确?在本文中,我们发现,在许多不同类型的群体中,对于一系列真实世界的数据集,一个群体的预测效果(使用影响函数)与其实际效果惊人地相关,即使绝对和相对误差很大。我们的理论分析表明,这种强相关性仅在某些设置下才会出现,并且不需要在一般情况下保持,这表明现实世界的数据集具有特定的属性,可以使影响近似准确。
2019-11-21 cs.LG stat.ML
From MIM-Based GAN to Anomaly Detection:Event Probability Influence on Generative Adversarial Networks
Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tsinghua University(清华大学)
本文提出将指数信息度量引入GAN构建MIM-based GAN,以改进事件生成,并据此设计无监督异常检测方法,在ODDS数据集上验证其对物联网异常检测的有效性。
2022-03-25 cs.AI cs.IT cs.LG
Measuring academic influence: Not all citations are equal
National Research Council Canada(加拿大国家研究委员会);TELUQ, Université du Québec(魁北克大学电视大学);University of Ottawa(渥太华大学)
一篇研究文章的重要性通常通过计算它被引用的次数来衡量。然而,以同等权重对待所有引文忽略了引文执行的各种功能。我们希望自动识别参考书目中对引用论文有核心学术影响的参考文献子集。为了这个目的,我们研究了各种功能的有效性,以确定引文的学术影响力。通过要求作者识别自己工作中的关键参考文献,我们创建了一个数据集,其中引用根据其学术影响力进行标记。使用带有监督机器学习的自动特征选择,我们发现了一个预测学术影响力的模型,该模型仅使用四个特征就在该数据集上实现了良好的性能。在我们评估的功能中,最好的功能是基于引用论文中引用参考文献的次数。这些特征的表现启发我们设计了一个影响力引导的h指数(hip-index)。与传统的h指数不同,它根据参考文献被提及的次数对引用进行加权。根据我们的实验,髋关节指数是一个更好的指标,研究人员的表现比传统的h指数。
2015-01-26 cs.CL cs.DL cs.LG
Characterizing the Influence of Topology on Graph Learning Tasks
Shanghai Jiao Tong University(上海交通大学);Huawei Technologies(华为技术有限公司)
针对图拓扑对下游学习任务性能的影响机制尚不明确的问题,本文提出度量指标TopoInf,通过衡量拓扑信息与任务目标的兼容性表征拓扑影响,经分析与实验验证其有效性并可用于提升图学习效果。
2024-04-11 cs.AI cs.LG
When Do Annotator Demographics Matter? Measuring the Influence of Annotator Demographics with the POPQUORN Dataset
University of Michigan(密歇根大学)
本研究提出包含1484名标注者4.5万条标注的POPQUORN数据集,验证标注者人口统计及教育等背景对标注判断的显著影响,指出采用人口均衡标注池可降低数据集偏差。
2023-08-28 cs.AI cs.CL cs.CY
Contrastive Knowledge Distillation for Anomaly Detection in Multi-Illumination/Focus Display Images
KAIST(韩国科学技术院);Hanyang University(汉阳大学);Samsung Display(三星显示)
针对多光照/多聚焦显示图像异常检测,提出基于对比蒸馏(MCD)和混合模块的方法,在MMdAD数据集上显著超越现有方法。
2026-09-09 cs.CV cs.LG