Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds on False Alarm Rate
University of South Florida(南佛罗里达大学)
监控视频中的异常检测越来越受到人们的关注。尽管最近的方法具有竞争力的性能,但它们缺乏理论性能分析,特别是由于决策中使用的复杂的深层神经网络架构。此外,在线决策是这一领域中一个重要但大多被忽视的因素。许多声称在线的现有方法实际上依赖于批处理或离线处理。出于这些研究的差距,我们提出了一种在线异常检测方法在监控视频的虚警率的渐近界,这反过来又提供了一个明确的过程,选择一个合适的决策阈值,满足所需的虚警率。我们提出的算法由一个多目标深度学习模块和一个统计异常检测模块组成,它的有效性在几个公开的数据集上得到了证明,在这些数据集上,我们的性能优于最先进的算法。所有代码都可以在https://github.com/kevaldoshi17/Prediction-based-Video-Anomaly-Detection-上找到。
2020-10-10 cs.CV cs.LG eess.IV
Extrapolating false alarm rates in automatic speaker verification
Huawei Technologies Ltd.(华为技术有限公司);University of Eastern Finland(东芬兰大学);NEC Corporation(日本电气股份有限公司)
自动说话人验证(ASV)供应商和语料库提供商都将受益于工具,可以可靠地推断大量说话人的性能指标,而无需收集新的说话人。我们解决了最坏情况下的模型下,对手确定一个给定的目标扬声器从一个大的人口最接近的冒名顶替者虚警率外推。我们的模型是生成的,允许采样新的扬声器。该模型在ASV检测分数空间中制定,以便于分析任意ASV系统。
2020-08-08 cs.LG eess.AS stat.ML
Learning to Detect with Constant False Alarm Rate
我们考虑使用机器学习进行假设检验,重点是目标检测。经典的基于模型的解决方案依赖于比较可能性。这些对不完美的模型很敏感,并且通常在计算上很昂贵。相比之下,数据驱动的机器学习通常更鲁棒,并且产生具有固定计算复杂性的分类器。学习检测器通常以低复杂度提供高精度,但不具有许多应用中所需的恒定虚警率(CFAR)。为了缩小这一差距,我们建议添加一个术语的损失函数,促进类似的分布的检测器在任何零假设的情况下。实验表明,我们的方法导致近恒虚警检测器与他们的竞争对手具有相似的精度。
2022-06-12 cs.LG eess.SP
Distribution-free false-alarm calibration and chance-corrected spatial evaluation for industrial anomaly detection
Tongji University(同济大学)
该研究针对工业异常检测现有指标的缺陷,提出结合无分布上限容差阈值与配对减交叉空间检验的方法,在多数据集上验证了其有效性,支持同时报告工作点性能与经机会校正的空间证据。
2026-08-18 cs.CV cs.LG
Single-modal and Multi-modal False Arrhythmia Alarm Reduction using Attention-based Convolutional and Recurrent Neural Networks
Northern Arizona University(北亚利桑那大学)
这项研究提出了一种深度学习模型,可以有效地抑制重症监护病房(ICU)中的假警报,而不会忽略使用单一和多模态生物信号的真实警报。目前文献中的大多数工作是基于规则的方法,需要心律失常分析的先验知识来构建规则,或者是经典的机器学习方法,这取决于手工设计的特征。在这项工作中,我们应用卷积神经网络来自动提取时不变特征,一种注意力机制来更加强调输入分段信号的重要区域,这些区域更有可能有助于报警,以及长短期记忆单元来捕获信号片段中呈现的时间信息。我们使用两步训练算法(即,预训练和微调拟议的网络)的数据集提供的生理网络计算在心脏病学挑战2015年。评估结果表明,该方法获得了更好的结果相比,其他现有的算法在ICU的虚警减少任务。该方法实现了93.88%的灵敏度和92.05%的特异性报警分类,考虑三种不同的信号。此外,我们对5种单独的警报类型的实验得出了显著的结果,其中我们只考虑单导联ECG(例如,对室性心动过速心律失常报警类型的敏感性为90.71%,特异性为88.30%,AUC为89.51)
2019-09-25 cs.LG eess.SP q-bio.QM
An Unsupervised Feature Learning Approach to Reduce False Alarm Rate in ICUs
Northern Arizona University(北亚利桑那大学);University of Michigan(密歇根大学)
重症监护室(ICU)的高误报率是医院使用医疗技术的最大挑战之一。这些假警报通常是由患者的移动、监测传感器的分离或影响来自不同监测设备的所收集信号的不同噪声和干扰源引起的。在本文中,我们提出了一种新的高层次的功能,基于无监督的特征学习技术,以有效地捕捉心电图(ECG)信号中的不同心律失常的特点,并区分他们从不规则的信号,由于不同的信号干扰源。这种无监督特征学习技术首先从患者的所有现有心动周期中提取一组低级特征,然后将每个患者的这些片段聚类,以提供一组突出的高级特征。聚类阶段的目的是使分类方法能够区分从正常和异常周期提取的高级特征(即,或者由于心律失常或者由于信号中不同的失真源),以便将更多的注意力放在从信号的异常部分中提取的有助于报警的特征上。使用2015 PhysioNet/Computing in Cardiology Challenge数据集评价该方法的性能,以减少ICU中的错误心律失常警报。实验结果证实,该方法提供了一个相当大的性能方面的准确性,灵敏度和特异性的报警检测只使用几个高层次的功能,从一个单一的导联ECG信号提取。
2019-04-17 cs.LG stat.ML
Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU
Baylor College of Medicine(贝勒医学院);Jan and Dan Duncan Neurological Research Institute(简和丹·邓肯神经学研究所);Texas Children’s Hospital(得克萨斯儿童医院);Reed College(里德学院)
提出结合一维SE-ResNet、数据增强与Windkessel物理信息重建的深度学习框架,在VTaC基准上以5分挑战赛评分提升降低ICU假性室速警报,物理信息目标为主要性能驱动。
2026-10-06 cs.LG eess.SP
In-Ride Alcohol-Impairment Detection in E-Scooterists with False-Alarm Control
Voi Technology AB(沃伊科技公司);KTH Royal Institute of Technology(瑞典皇家理工学院);Chalmers University of Technology(查尔姆斯理工大学)
本文提出一种基于车载传感器的电动滑板车骑手酒精影响检测器,其虚警率有可证明边界,实验显示该检测器能有效识别受酒精影响的骑行,且嵌入式实现满足实时要求,为相关干预措施奠定基础。
2026-10-09 cs.LG
SigmaMedStat: Temporal Signal Modeling for ICU False Alarm Reduction
提出SigmaMedStat系统,通过将60秒记录分割为6个10秒块并提取连续小波变换尺度图,结合EfficientNet-B0编码器和两层LSTM网络进行时间建模,在PhysioNet/CinC Challenge 2015数据集上实现AUC 0.822,有效降低ICU误报。
2026-05-28 cs.LG
Capability Emergence Can Be Forecast: Per-Seed, In Advance, With Calibrated Intervals, Certified False Alarms, and a Blind Pre-Registered Gate
本研究证明能力涌现可被预测:通过前一个token头形成时间提前预测归纳头涌现,带校准区间和认证误报,并验证了乘法时间规律。
2026-09-17 cs.LG
Evaluating False Alarm and Missing Attacks in CAN IDS
Department of Applied Mathematics University of Colorado Boulder(应用数学系科罗拉多大学波德摩尔分校)
本文通过评估CAN IDS在对抗性攻击下的性能,揭示了其在误报和遗漏攻击方面的脆弱性,强调了对抗鲁棒性在安全关键汽车系统中的重要性。
2026-02-02 cs.AI cs.CR cs.LG
Optimizing Fire Safety: Reducing False Alarms Using Advanced Machine Learning Techniques
Quaid-i-Azam University(奎德阿扎姆大学);Najran University(奈季兰大学);National University of Science & Technology(国家科技大学);Prince Sultan University(苏丹亲王大学);Coventry University(考文垂大学);Edinburgh Napier University(爱丁堡龙比亚大学)
本文针对火灾烟雾报警误报问题,提出按密度区域加权并融合 KNN 与 XGBoost 的 Weighted 集成模型,在专用烟雾探测数据集上结合 SMOTE 与多种机器学习算法进行对比评估。
2025-03-13 cs.AI cs.LG
Echelon: Two-Tier Malware Detection for Raw Executables to Reduce False Alarms
Simon Fraser University(西蒙弗雷泽大学)
现有的恶意软件检测方法由于单层分类方法而遭受假阳性率(FPR)和真阳性率(TPR)之间的简单化权衡,其中这两种测量彼此不利地影响。恶意软件检测的实际含义是FPR必须保持在可接受的低水平,而TPR保持在高水平。为此,我们提出了一个两层的学习,称为“梯队”,从原始字节数据,不需要手工制作的功能。第一层将FPR锁定在指定的目标水平,而第二层在保持锁定的FPR的同时提高TPR。Echelon算法的核心在于提取第一层模型中隐藏层的激活信息,以构建更强的第二层模型。Echelon是一个框架,因为它允许任何现有的基于CNN的模型在两个层中进行调整。我们目前的实验结果评估Echelon适应国家的最先进的恶意软件检测模型"Malconv”在第一和第二层。
2021-01-04 cs.CR cs.LG
Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting
The Beacom College of Computer and Cyber Sciences, Dakota State University(达科他州立大学比科姆计算机与网络科学学院)
针对癫痫发作预测中的泛化与误报挑战,提出结合五个深度学习与三个经典机器学习模型的校准混合集成方法,在CHB-MIT上实现74.2%灵敏度与1.24次/小时误报。
2026-09-30 cs.LG
To Wake-up or Not to Wake-up: Reducing Keyword False Alarm by Successive Refinement
Samsung Research America(三星美国研究院)
本文提出基于全概率定律的逐步细化方法,通过语音、关键词、具体关键词的三阶段分类降低关键词检测系统的误报率,且该方法即插即用,适用于任意深度模型。
2023-04-06 cs.LG cs.SD eess.AS
BARS: Benign-Anchored Ranking and Selection for False Alarm Reduction in Network Intrusion Detection
Department of Computer Science(计算机科学系);New Mexico State University(新墨西哥州立大学);Graduate School of Informatics(信息科学研究生院);Osaka Metropolitan University(大阪 metropolitan 大学)
研究针对网络入侵检测中误报问题,提出BARS方法,它是两阶段过滤器,用良性类均值取代全局锚并去相关。实验表明在攻击占优数据集上能降误报率,保持真阳性率和宏F1,适合资源受限部署。
2026-09-29 cs.CR cs.LG
CURA: Certified Runtime Alarms for Computer-Use Agents
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Intel Labs(英特尔实验室);Capital One AI Labs(Capital One AI实验室)
针对计算机使用智能体自报告失效问题,提出仅读取测试环境遥测的外部监控器CURA,可在运行时检测失败,提升任务解决率。
2026-08-31 cs.AI cs.CV cs.LG
Missed Detections and False Alarms in a CNN Technosignature Detector on Breakthrough Listen Data
该研究针对突破聆听项目数据训练的CNN技术信号探测器,发现其漏检率随信号亮度上升而增加、特定干扰虚警率极高,原因是探测器仅读取ON面板无法区分真实信号与地面干扰。
2026-10-19 astro-ph.IM cs.LG physics.pop-ph
Certified AI Triage of ICU Alarms
Roshan AI;University of Arizona(亚利桑那大学)
本研究将ICU警报削减重构为三向分诊,提出认证式方法在95%置信度下控制真实警报静音比例,在VTaC基准上抑制74.8%虚假警报且仅静音1.5%真实警报,并揭示多重性校正对认证结果的代价。
2026-09-14 cs.LG
Nonparametric and Online Change Detection in Multivariate Datastreams using QuantTree
我们解决了多变量数据流中的在线变化检测问题,我们引入QuantTree指数加权移动平均(QT-EWMA),一种非参数变化检测算法,可以控制假警报之前的预期时间,产生所需的平均运行长度(ARL $_0$)。控制误报在许多应用中至关重要,在线变化检测算法很少能保证,在线变化检测算法可以在不知道数据分布的情况下监视多变量数据流。像许多变化检测算法一样,QT-EWMA从固定的训练集构建数据分布模型,在我们的例子中是QuantTree直方图。为了监测数据流,即使当训练集是非常小的,我们提出了QT-EWMA-update,增量更新QuantTree直方图在监测过程中,始终保持ARL $_0$的控制。我们的实验,在合成和真实世界的数据流上进行,证明了QT-EWMA和QT-EWMA更新控制的ARL $_0$和虚警率比国家的最先进的方法在类似的条件下操作,实现较低或相当的检测延迟。
2022-08-30 cs.LG
Seizure Detection using Least EEG Channels by Deep Convolutional Neural Network
Bilkent University(比尔肯特大学);Institute for Infocomm Research(信息通信研究院);KK Women's and Children's Hospital(KK妇女儿童医院)
这项工作的目的是开发一个端到端的解决方案,癫痫发作检测。我们设计了SeizNet,一种用于癫痫发作检测的卷积神经网络。为了将SeizNet与传统的机器学习方法进行比较,使用支持向量机(BPsvm)的频谱带功率特征实现了基线分类器。我们通过分别使用所有通道和两个通道设置评估SeizNet和BPsvm方法,探索使用最少数量的通道进行准确癫痫发作检测的可能性。EEG数据采集自KK妇女儿童医院收治的29名被诊断为典型失神发作的儿童患者。我们对所有受试者进行留一交叉验证。使用全通道数据,BPsvm产生的灵敏度为86.6%和0.84假警报(每小时),而SeizNet产生的总体灵敏度为95.8%和0.17假警报。更有趣的是,双通道的BPSNet优于全通道的BPsvm,灵敏度为93.3%,虚警为0.58。我们通过解码沿着卷积层学习的过滤器来进一步研究SeizNet的可解释性。在来自第三和第四卷积层的滤波器中可以清楚地观察到类似癫痫发作的特征。
2019-01-14 cs.CV cs.LG eess.SP
Voice Biometrics Security: Extrapolating False Alarm Rate via Hierarchical Bayesian Modeling of Speaker Verification Scores
St. Petersburg Electrotechnical University(圣彼得堡电工大学);ITMO University(ITMO大学);University of Eastern Finland(东芬兰大学);NEC Corp.(日本电气公司)
自动说话人验证(ASV)技术有多安全?更具体地说,给定一个特定的目标说话者,它有多大可能找到另一个被错误地接受为该目标的人?这个问题可以通过研究足够大的语料库中自然易混淆的说话者对来经验性地解决。为此,人们可能期望找到至少一些在ASV方面彼此无法区分的说话者对。在一定程度上,这一目标反映在标准化的ASV评估基准中。然而,这种评估基准中的说话者数量仅代表所有可能的人类声音的一小部分,这使得在给定语料库之外推断性能具有挑战性。此外,在绩效评估中使用的冒名顶替者通常是随机选择的。一个潜在的更有意义的冒名顶替者的定义-至少在安全驱动的ASV应用程序的上下文中-将是最接近(最容易混淆)的其他扬声器到一个给定的目标。我们提出了一种新的性能评估框架,以解决随机冒名顶替者评估模型的不足和评估语料库的大小限制,通过解决ASV安全性对最接近的冒名顶替者在任意大的数据集。该框架允许一个给定的ASV技术的安全性,在其当前状态下,任意大的扬声器数据库大小的虚拟(采样)扬声器组成的预测。作为概念验证,我们分析了两个最先进的ASV系统的性能,基于i矢量和x矢量扬声器嵌入(在流行的Kaldi工具包中实现),在最近的VoxCeleb 1和2语料库。我们发现,无论是i-向量或x-向量系统是免疫增加假警报率在增加冒名顶替者数据库的大小。
2019-11-04 cs.LG cs.SD eess.AS
Improving Ranking Using Quantum Probability
University of Padua(帕多瓦大学)
本文表明,排序信息单位的量子概率不同,他们的经典概率提供了相同的数据用于参数估计。由于检测概率(也称为召回率或功率)和误报概率(也称为沉降物或大小)衡量排名的质量,我们指出,并表明,量子概率的排名产生更高的检测概率比经典概率的排名提供了一个给定的误报概率和相同的参数估计数据。由于量子概率在数据管理的其他领域提供了比经典概率更有效的检测器,我们推测,可以实现基于子空间的检测器的系统将比实现基于集合的检测器的系统更有效,有效性计算为在检测概率上估计的预期召回率和在虚警概率上估计的预期辐射。
2011-08-28 cs.ET cs.IR cs.LG
3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos
Gwangju Institute of Science and Technology(光州科学技术院)
异常活动检测是计算机视觉领域中最具挑战性的任务之一。这项研究的动机是最近的最先进的异常活动检测工作,它利用异常和正常的视频学习异常的帮助下,多实例学习,通过提供视频级信息的数据。在没有时间注释的情况下,这样的模型在检测异常时容易给出错误警报。出于这个原因,在本文中,我们专注于在执行异常活动检测任务的同时最大限度地减少误报率的任务。这些假警报的缓解和视频动作识别任务中3D深度神经网络的最新进展共同激励我们在我们提出的方法中利用3D ResNet,这有助于从视频中提取时空特征。然后,使用这些特征和深度多实例学习以及提出的排名损失,我们的模型学习预测视频片段级别的异常分数。因此,与其他最先进的方法相比,我们提出的方法3D深度多实例学习与ResNet(MILR)以及新提出的排名损失函数在UCF-Crime基准数据集上实现了最佳性能。在UCF-Crime数据集上证明了该方法的有效性。
2020-02-04 cs.CV cs.LG eess.IV
Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time
针对图异常检测中测试时出现未见正常样本导致正态性偏移的问题,本文提出轻量级即插即用的测试时适配框架TUNE,通过图对齐器纠正语义混淆和聚合污染,显著提升预训练GAD模型的泛化能力。
2025-11-10 cs.LG
Sequential Drift Detection in Deep Learning Classifiers
IBM Research, Israel(IBM研究院(以色列));IBM Research, USA(IBM研究院(美国))
我们利用神经网络嵌入检测数据漂移制定一个适当的顺序决策框架内的漂移检测。这使得能够控制误报警率,尽管重复应用统计测试。由于变化检测算法自然面临着避免误报和快速正确检测之间的权衡,我们引入了一个损失函数,评估算法的能力,以平衡这两个问题,我们使用它在一系列的实验。
2020-07-31 cs.LG stat.AP stat.ML
Weighted Score-Oriented Losses for Temporally Localized Event Prediction
University of Genoa(热那亚大学);University of Padua(帕多瓦大学)
针对事件预测中评分与损失不匹配问题,提出加权评分导向损失(wSOL),通过时间权重区分近事件误报和可接受警报,优化基于混淆矩阵的指标,在三个基准数据集上提升时间局部化评估性能。
2026-06-23 cs.LG
Learning a Factorized Orthogonal Latent Space using Encoder-only Architecture for Fault Detection; An Alarm management perspective
K. N. Toosi University of Technology(K. N. 托西理工大学)
本文提出一种基于编码器的残差设计,通过双编码器将潜在空间因子化为正交的确定性与随机空间,仅基于确定性因素进行决策,有效解耦过程变量波动,在Tennessee Eastman过程中实现近乎零误报和漏检。
2024-08-24 cs.LG cs.SY eess.SY
False Alarms, Real Damage: Adversarial Attacks Using LLM-based Models on Text-based Cyber Threat Intelligence Systems
Faculty of Sciences, University of Lisbon(里斯本大学科学学院);CIENCES, University of Lisbon(里斯本大学CIENCES)
研究针对文本网络威胁情报(CTI)系统的对抗攻击,分析逃避、淹没和投毒三种攻击类型,重点展示对抗文本生成如何欺骗分类器、降低性能并破坏系统功能。
2026-01-28 cs.AI cs.CR cs.LG
Densely Connected Residual Network for Attack Recognition
University of New South Wales(新南威尔士大学);Australian Center for Cyber, University of New South Wales(新南威尔士大学澳大利亚网络中心);Sangfor Technologies Inc.(深信服科技股份有限公司)
高虚警率和低检测率是未知威胁感知的主要症结。为了解决这些问题,本文提出了一种用于攻击识别的密集连接残差网络(Densely-ResNet)。Densely-ResNet由几个基本的剩余单元构建,其中每个单元都由一系列通过宽连接连接的Conv-GRU组成。我们的评估表明,Densely-ResNet可以准确地发现出现在边缘,雾和云层中的各种未知威胁,同时保持比现有算法低得多的误报率。
2020-08-05 cs.CR cs.LG
Early Anomaly-Onset Detection based on Wigner--Ville Distribution Slice Spectra: A Transmission-Grid Test Case
DOST–Advanced Science and Technology Institute(菲律宾科技先进研究院);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
提出基于Wigner-Ville分布切片谱的全向量方法,用于高压电网电压波形的序列异常起始检测,通过基线归一化偏差评分实现低虚警率。
2026-06-16 cs.LG eess.SP math.SP
Seasonal false alarms in customer churn and decline early-warning systems: adjacent-window labels confound seasonality with decline, and a year-over-year correction
Field Nation LLC(菲尔德国有限责任公司)
该研究针对客户流失预警系统的季节性误报问题,提出将基线对齐到前一年相同k个日历月的同比修正方法,可提升ROC-AUC并减少行动清单规模。
2026-08-20 cs.LG stat.AP stat.ME
Learning to Detect Shifts in Unstructured Data Streams via Monitoring-by-Betting
University of California, San Francisco(加利福尼亚大学旧金山分校);University of Maryland(马里兰大学);Johns Hopkins University(约翰斯·霍普金斯大学)
该研究提出投注式监测方法,开发渐近e-检测器及自适应监测策略,在三个真实世界数据集上实现非结构化数据流分布偏移的快速、可解释检测,优于固定监测器。
2026-10-14 cs.AI cs.LG stat.ML
Improving Outbreak Detection with Stacking of Statistical Surveillance Methods
Technische Universität Darmstadt(达姆施塔特工业大学)
流行病学家使用各种统计算法来早期发现疫情。这些方法的实际效用在很大程度上取决于疾病爆发的检测率和发出假警报的可能性之间的权衡。最近的研究表明,使用机器学习来融合多种统计算法可以改善爆发检测。而不是只依赖于统计算法的二进制输出(报警或无报警),我们建议利用他们的p值训练融合分类器。此外,我们还表明,添加额外的功能和适应流行时期的标签可能会进一步提高性能。为了进行比较和评估,引入了一种新的措施,它捕获了爆发检测方法的性能,相对于较低的误报率,比以前的作品更精确。我们在合成数据上的结果表明,利用基于机器学习的可训练融合方法来提高性能具有挑战性。特别地,使用仅基于统计监视方法的二进制输出的融合分类器可以使整体性能比直接使用底层算法更差。然而,使用p值和额外的信息进行学习是有希望的,能够识别更有价值的模式来检测疫情。
2019-07-17 cs.LG q-bio.QM stat.ML