Sequential Adversarial Anomaly Detection for One-Class Event Data
Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
针对仅异常序列可用的一类设定下的序贯异常检测问题,提出一种通过求解极小极大问题的对抗序贯检测器,利用标值点过程建模序列依赖,并通过数值实验验证了其在大规模信用卡欺诈等数据集上的良好检测性能。
2023-04-06 cs.LG stat.ML
Sequential Deep Learning Architectures for Anomaly Detection in Virtual Network Function Chains
Handong Global University(韩东全球大学);POSTECH(浦项科技大学)
软件定义网络(SDN)和网络功能虚拟化(NFV)已经使得能够有效地提供网络服务。然而,他们也提出了新的任务来监控和确保虚拟化服务的状态,异常检测就是其中之一。已经有许多数据驱动的方法来实现用于服务功能链(SFC)中的虚拟网络功能的异常检测系统(ADS)。在本文中,我们的目标是为ADS开发更先进的深度学习模型。先前的方法使用诸如随机森林(RF)、梯度提升机(GBM)或深度神经网络(DNN)的学习算法。然而,这些模型没有利用数据中的顺序依赖性。此外,它们也受到限制,因为它们只能适用于它们接受培训的证监会环境。因此,我们提出了几个顺序的深度学习模型来学习具有可变长度的链中的虚拟网络功能(VNF)的时序模式和顺序模式。因此,所建议的模型提高了检测性能,并适用于具有不同数量的VNF的SFC。
2021-09-29 cs.LG cs.NI
Advanced Deep Regression Models for Forecasting Time Series Oil Production
本研究提出基于LSTM和序列卷积的深度回归模型用于时间序列石油产量预测,在Volve油田数据上优于CNN和现有方法,MAE为111.16,R2为0.98,较基线线性回归提升37%。
2023-08-30 cs.LG
MFL Data Preprocessing and CNN-based Oil Pipeline Defects Detection
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
针对现有输油管道缺陷检测研究中MFL数据及预处理技术覆盖不足的问题,本研究结合CNN结构提出鲁棒检测方法,经真实数据验证可在相关指标下实现高性能,降低检测时间与成本。
2023-09-30 cs.CV cs.LG cs.SY
Fine-grained Anomaly Detection in Sequential Data via Counterfactual Explanations
Utah State University(犹他州立大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);University of Arkansas(阿肯色大学)
序列数据中的异常检测由于其在各种应用中的潜力而被研究了很长时间,例如从日志数据中检测异常系统行为。虽然许多方法可以实现良好的性能异常序列检测,如何识别序列中的异常条目仍然是具有挑战性的,由于缺乏在入口级的信息。在这项工作中,我们提出了一个新的框架,称为CFDet细粒度异常条目检测。CFDet利用了可解释的机器学习的思想。给定被检测为异常的序列,我们可以将异常条目检测视为可解释的机器学习任务,因为识别序列中的异常条目是为了提供对检测结果的解释。我们利用深度支持向量数据描述(Deep SVDD)方法来检测异常序列,并提出了一种新的基于反事实解释的方法来识别序列中的异常条目。在三个数据集上的实验结果表明,CFDet可以正确地检测异常条目。
2022-10-09 cs.LG
Any-Shot Sequential Anomaly Detection in Surveillance Videos
University of South Florida(南佛罗里达大学)
监控视频中的异常检测最近受到关注。尽管最先进的方法在公开可用的数据集上的性能具有竞争力,但它们需要大量的训练数据。此外,它们缺乏一种具体的方法,一旦有新的数据可用,就可以不断更新训练模型。此外,在线决策是一个重要的,但大多数被忽视的因素在这一领域。出于这些研究的差距,我们提出了一种在线异常检测方法的监控视频使用迁移学习和任意镜头学习,这反过来又显着降低了训练的复杂性,并提供了一种机制,可以检测异常使用只有几个标记的名义上的例子。我们提出的算法利用了基于神经网络的迁移学习模型的特征提取能力和统计检测方法的任意镜头学习能力。
2020-04-05 cs.CV cs.LG
What Information Contributes to Log-based Anomaly Detection? Insights from a Configurable Transformer-Based Approach
本文提出一种可配置的Transformer日志异常检测模型,通过不同长度日志序列和特征组合实验,发现事件发生信息对异常识别最关键,而序列与时间信息影响有限,并指出需构建更复杂的新数据集。
2025-03-11 cs.AI cs.LG cs.SE
Trajectory Guard -- A Lightweight, Sequence-Aware Model for Real-Time Anomaly Detection in Agentic AI
Laksh Advani
轨迹守护通过对比学习和重建学习,实现对代理AI中任务轨迹对齐和序列有效性的联合检测,提升实时异常检测性能。
2026-01-02 cs.AI cs.LG
Sequential PatchCore: Anomaly Detection for Surface Inspection using Synthetic Impurities
Fraunhofer ITWM(弗劳恩霍夫信息技术与微系统研究所);RPTU Kaiserslautern-Landau(凯撒斯劳滕-兰道莱茵-普法尔茨理工大学)
针对表面检测中的水渍等杂质与高分辨率训练内存瓶颈,提出合成水渍数据生成方法和 Sequential PatchCore 顺序核心集训练框架,验证合成预训练与真实数据微调的性能收益。
2025-01-16 cs.CV cs.GR cs.LG
A Methodological Report on Anomaly Detection on Dynamic Knowledge Graphs
University of Rouen Normandy(鲁昂诺曼底大学)
本文针对 Kubernetes 微服务环境下的动态知识图谱异常检测问题,利用序列、层次和跨服务依赖三种图表示,测试多种机器学习与深度学习模型,并提出基于集成学习的方法,在 ISWC 2024 数据集上显著优于基线。
2024-11-11 cs.AI cs.LG
PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies
University of California, Riverside(加州大学河滨分校);Visa Research(Visa研究院)
本文提出领域无关的反事实解释技术PUPAE,以“若非损坏B,异常本应像正常数据A”的形式生成客观正确、直观且可直接执行的时间序列异常解释。
2024-01-16 cs.AI cs.LG
Hybrid GCN-GRU Model for Anomaly Detection in Cryptocurrency Transactions
Ewha Womans University(梨花女子大学);Kumoh National Institute of Technology(国立金乌工科大学);Coretrustlink
针对区块链交易网络的复杂性和非法活动检测需求,提出混合GCN-GRU模型,融合结构与时序特征,在2020-2024年比特币数据上准确率0.9470、AUC-ROC 0.9807,优于基线。
2025-09-09 cs.AI cs.LG
Single State Update Predictive Coding training for Time Series Forecasting and Anomaly Detection
Ghent University(根特大学);imec
该研究针对预测编码网络的顺序反向误差传播瓶颈,提出并行训练生成式与编码式两类PCN的单状态更新训练技术,将其应用于时间序列异常检测,实现了更稳定连续的在线学习。
2026-08-26 cs.LG cs.NE
CSCLog: A Component Subsequence Correlation-Aware Log Anomaly Detection Method
Zhejiang University(浙江大学);Alibaba Cloud Intelligence(阿里云智能)
本文提出CSCLog日志异常检测方法,通过LSTM捕获组件子序列内顺序依赖,利用隐式相关性编码器和GCN建模子序列间隐式相关性与信息交互,并用注意力机制融合嵌入,在四个公开日志数据集上取得优于最佳基线平均7.41%的Macro F1-Measure提升。
2023-07-07 cs.LG
Intrusion Detection using Sequential Hybrid Model
PES University(PES大学)
在KDD 99数据集上已经做了大量的工作,其中大部分包括使用并行完成的混合异常和误用检测模型。为了进一步分类的入侵,我们的方法来网络入侵检测包括使用两种不同的异常检测模型,其次是误用检测应用于从上一步获得的组合输出。这样做的最终目标是验证异常检测算法检测到的异常,并澄清它们实际上是入侵还是来自训练正常值的随机离群值(从而尝试减少误报的数量)。我们的目标是检测这种新的入侵技术本身的模式,而不是这种入侵的处理。入侵被非常准确地探测到了。
2019-10-29 cs.CR cs.LG
Graph Neural Networks based Log Anomaly Detection and Explanation
Leiden University(莱顿大学)
提出 Logs2Graphs 与 OCDiGCN,将事件日志构建为带属性有向加权图并进行无监督图级异常检测,同时给出关键节点解释,在五个基准上性能优异。
2024-01-24 cs.AI cs.LG cs.SE
Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection
Michigan State University(密歇根州立大学)
离散事件序列是普遍存在的,例如在信息和通信技术系统中的过程交互的有序事件序列。近年来,人们越来越多地致力于用离散事件序列检测异常。然而,它仍然是一个非常困难的任务,由于一些固有的挑战,包括数据不平衡问题,事件的离散性,以及数据的连续性。为了解决这些挑战,在本文中,我们提出了OC4Seq,这是一种用于检测离散事件序列中异常的多尺度单类递归神经网络。具体来说,OC4Seq将异常检测目标与循环神经网络(RNN)集成,将离散事件序列嵌入到潜在空间中,在潜在空间中可以轻松检测异常。此外,考虑到异常序列可能是由单个事件、事件的连续性或整个序列引起的,我们设计了一个多尺度RNN框架来同时捕获不同级别的序列模式。在三个基准数据集上的实验结果表明,OC4Seq的性能始终大大优于各种代表性基线。此外,通过定量和定性分析,捕获多尺度序列模式的事件异常检测的重要性进行了验证。
2020-08-31 cs.LG stat.ML
Multiple Instance Learning for Detecting Anomalies over Sequential Real-World Datasets
George Mason University(乔治梅森大学)
在真实世界的数据集上检测异常仍然是一项具有挑战性的任务。数据标注是一个密集的人工劳动问题,特别是在连续数据集,其中异常的开始和结束时间是未知的。因此,从连续的真实世界过程中收集的数据可能在很大程度上是未标记的或包含不准确的标签。这些特点对基于监督学习的异常检测技术的应用提出了挑战。相比之下,多实例学习(MIL)在训练数据集中标签知识不完整的问题上表现出了有效性,这主要是由于袋子的概念。虽然在很大程度上未充分利用异常检测,MIL提供了一个有吸引力的公式异常检测在现实世界的数据集,这是本文的主要贡献。在本文中,我们提出了一个基于MIL的配方和各种算法的框架的基础上,不同的设计决策的框架的关键组成部分的实例。我们评估了四个数据集,捕捉不同的物理过程沿不同的方式所产生的算法。实验评估得出了几个意见。基于MIL的公式在易于缓和的数据集上的性能并不比单实例学习差,并且在更具挑战性的数据集上的性能优于单实例学习。总的来说,结果表明,该框架概括了不同的数据集,从不同的现实世界的应用领域。
2022-10-04 cs.LG
LogGPT: Log Anomaly Detection via GPT
Utah State University(犹他州立大学);Nokia Bell Labs(诺基亚贝尔实验室)
针对语言建模目标与日志异常检测不直接匹配的问题,本文提出 LogGPT 框架,利用 GPT 预测下一条日志,并通过强化学习微调以提升异常检测性能。
2023-12-11 cs.LG
Exploring a Hybrid Deep Learning Approach for Anomaly Detection in Mental Healthcare Provider Billing: Addressing Label Scarcity through Semi-Supervised Anomaly Detection
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学院);Department of Computer Science and Technology, SUNY Empire State University(SUNY埃默里州立大学计算机科学与技术系)
本文针对心理健康医疗账单异常检测中标签稀缺和类别不平衡问题,提出结合LSTM与Transformer的混合深度学习方法,并利用孤立森林和自编码器生成伪标签,在真实账单数据集上验证了该方法在召回率方面的有效性。
2025-07-02 cs.AI cs.LG
A Generalizable Anomaly Detection Method in Dynamic Graphs
Nanyang Technological University (NTU)(南洋理工大学);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY)(南洋理工大学-不列颠哥伦比亚大学活跃老年生活卓越联合研究中心(LILY));Joint NTU-WeBank Research Centre on Fintech(南洋理工大学-微众银行金融科技联合研究中心)
针对动态图异常检测方法缺乏泛化能力的问题,提出GeneralDyG方法,通过采样时间自我图并顺序提取结构与时间特征,有效应对数据多样性、动态特征捕获与计算成本挑战,在四个真实数据集上显著优于现有方法。
2024-12-21 cs.AI cs.LG
Detecting Log Anomalies with Multi-Head Attention (LAMA)
Huawei Technologies Co., Ltd(华为技术有限公司)
异常检测是一个重要的和具有挑战性的课题,已经在不同的研究领域进行了研究。在这项工作中,我们探讨的任务日志异常检测(特别是计算机系统日志和用户行为日志)通过分析日志的顺序信息。我们提出了LAMA,一个基于多头注意力的顺序模型来处理日志流作为模板活动(事件)序列。应用下一事件预测任务来训练用于异常检测的模型。大量的实证研究表明,该模型优于现有的日志异常检测方法,包括统计和深度学习方法,验证了该方法在学习日志数据序列模式方面的有效性。
2021-01-07 cs.CR cs.LG
Sequential anomaly detection in the presence of noise and limited feedback
Duke University(杜克大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Stanford University(斯坦福大学);University of California, Merced(加利福尼亚大学默塞德分校)
本文介绍了一种方法,用于检测从连续观察和潜在的噪声数据的异常。所提出的方法包括两个主要元素:(1){ \em过滤},或根据我们从先前的噪声观测中预测它的能力,为每个连续测量分配一个信念或可能性,以及(2){ \em对冲},或通过将当前信念与时变和数据自适应阈值进行比较来标记潜在的异常。基于来自终端用户的可用反馈来调整阈值。我们的算法,它结合了普遍的预测与最近的在线凸规划的工作,不需要计算后验分布给定所有当前的观察,并涉及简单的原始-对偶参数更新。所提出的方法的核心在于指数族模型,可以在各种各样的背景和应用中使用,并产生方法,实现次线性每轮遗憾对静态和缓慢变化的产品分布与边际来自同一指数族。此外,对静态分布的遗憾与相应的在线强凸博弈的极大极小值相吻合。我们还证明了在对冲步骤相对于最佳离线选择的阈值与访问所有估计的信念和反馈信号的错误的数量上的界限。我们验证了理论的合成数据从随时间变化的分布在二进制向量的高维,以及安然电子邮件数据集。
2012-03-13 cs.LG
Statistical Evaluation of Anomaly Detectors for Sequences
University of Bonn(波恩大学)
虽然精确度和召回率是异常检测的标准性能指标,但它们在顺序检测设置中的统计特性知之甚少。在这项工作中,我们形式化的概念的精度和召回与时间公差的点为基础的异常检测序列数据。这些措施是基于时间容忍混淆矩阵,可用于计算许多其他标准措施的时间容忍的变种。但是,必须注意保持可解释性。我们进行了统计模拟研究,以证明精度和召回率可能会高估的检测器的性能,当计算时间公差。为了缓解这个问题,我们展示了如何获得零分布的两个措施,以评估报告结果的统计意义。
2020-08-13 cs.LG stat.ML
Graph-Based Deep Learning for Intelligent Detection of Energy Losses, Theft, and Operational Inefficiencies in Oil & Gas Production Networks
本文提出一种时空图深度学习框架,用于检测油气生产网络中的异常。通过构建井、设施和油田的分层图结构,并利用弱监督标签和时间序列建模,实现高召回率和鲁棒性,提升实际应用中的监控能力。
2026-03-15 cs.LG
A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University(云南农业大学);New York University(纽约大学);Carnegie Mellon University(卡内基梅隆大学)
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题,提出集成FEDformer、残差异常检测器与风险预测头的混合框架,在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
RINSE: Robust Target-Time Normality Estimation for Zero-Shot Graph Anomaly Detection
Islamic University of Technology(伊斯兰科技大学);University of Southern California(南加利福尼亚大学);King Fahd University of Petroleum & Minerals(法赫德国王石油与矿业大学)
RINSE是一种无梯度的目标时刻框架,通过识别可靠节点子集构建目标感知正态性模型,结合多种技术提升零样本图异常检测性能,在8个目标图上取得最高平均AUPRC。
2026-09-03 cs.AI cs.LG
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
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种基于聚类的因果混合器,用于多变量时间序列的在线异常检测,通过聚类处理通道间的相关性,结合因果混合器保持时间因果性,并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
Detecting Compromised IoT Devices Using Autoencoders with Sequential Hypothesis Testing
Florida State University(佛罗里达州立大学);University of Hawaii(夏威夷大学)
本文提出CUMAD框架,通过集成自编码器异常检测与SPRT序贯假设检验来积累证据,有效降低受损IoT设备检测的误报率并实现快速检测。
2024-04-21 cs.CR cs.LG
Time Series Foundational Models: Their Role in Anomaly Detection and Prediction
Artificial Intelligence Institute, University of South Carolina(南卡罗来纳大学人工智能研究所)
本文系统评估了时间序列基础模型在异常检测与预测中的表现,发现传统统计和深度学习模型常能匹敌或超越TSFM,且TSFM计算成本高、序列建模和少样本能力有限。
2024-12-26 cs.AI cs.LG
Towards Physics-informed Diffusion for Anomaly Detection in Trajectories
University of Minnesota(明尼苏达大学)
针对现有轨迹异常检测生成式模型未考虑细粒度时空依赖与物理先验、假阳性率高的问题,提出融合运动学约束的物理信息扩散模型,在海事和城市真实数据集上实现了更优的异常检测准确率与轨迹生成误差表现。
2025-06-14 cs.AI cs.CV cs.LG
TaskFusion: Continual Anomaly Detection for Heterogeneous Tabular Data
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));RPTU Kaiserslautern-Landau(凯泽斯劳滕-兰道大学);Hochschule Bonn-Rhein-Sieg (H-BRS)(波恩-莱茵-锡格应用技术大学)
提出TaskFusion方法,通过AGF模型、任务融合增强和异常暴露技术,解决异构表格数据在持续学习中的特征空间变化、分布偏移和类别不平衡问题,在21个数据集上显著提升持续异常检测性能。
2026-06-11 cs.LG
Unraveling the Complexity of Splitting Sequential Data: Tackling Challenges in Video and Time Series Analysis
University of Kassel(卡塞尔大学);Helmholtz-Zentrum für Materialien und Energie, Berlin (HZB)(柏林亥姆霍兹材料与能源中心(HZB))
本概念文章探讨了视频和时间序列等序列数据分割在数据获取、表示、比例选择及策略制定等方面面临的挑战,并通过电机测试台与液体粒子跟踪两个真实案例进行分析。
2023-07-26 cs.AI cs.CV 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
An Encoder-Decoder Based Approach for Anomaly Detection with Application in Additive Manufacturing
RWTH Aachen University(亚琛工业大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);University of California, Berkeley(加州大学伯克利分校);California Institute of Technology(加州理工学院)
我们提出了一种新的无监督深度学习方法,该方法利用编码器-解码器架构来检测在工业制造过程中收集的顺序传感器数据中的异常。我们的方法的目的不仅是检测是否存在一个异常在给定的时间步,但也要预测接下来会发生什么(顺序)的过程。我们展示了我们的方法从现实世界的测试平台收集的数据集。该数据集包含在正常条件和合成异常条件下收集的图像。我们表明,编码器-解码器模型是能够识别注入的异常,在现代制造过程中,在一个无监督的方式。此外,它还给出了制造过程中测试台温度不均匀性的提示,这是我们在做实验之前没有意识到的。
2019-07-26 cs.LG stat.ML
A Critical Review of Common Log Data Sets Used for Evaluation of Sequence-based Anomaly Detection Techniques
Center for Digital Safety & Security, Austrian Institute of Technology(数字安全与安全中心,奥地利技术研究所)
本文批判性分析了六个常用日志数据集,发现大多数异常与序列模式变化无直接关联,简单技术即可达到高检测率,质疑了现有基于序列的深度学习异常检测评估基准的合理性。
2023-09-06 cs.LG
AMAD: AutoMasked Attention for Unsupervised Multivariate Time Series Anomaly Detection
Northwestern Polytechnical University(西北工业大学)
针对无监督多元时间序列异常检测中关联假设受限的问题,提出AMAD模型,结合自动掩码注意力与注意力混合模块,辅以最大-最小训练和局部-全局对比学习,实现稳健且通用的异常检测,性能媲美最先进基准。
2025-04-25 cs.AI cs.LG
Adaptive Out-of-Control Point Pattern Detection in Sequential Random Finite Set Observations
Department of Economics(经济系)
本文提出了一种自适应异常检测框架,用于识别序列随机有限集观测中的异常点模式,通过动态适应数据变化实现高效检测。
2025-06-30 cs.LG
On-Board Anomaly Detection for Efficient Marine Environmental Monitoring
Institut de Recherche Technologique Saint Exupéry(圣埃克苏佩里技术研究院)
本文提出一种面向多光谱/高光谱卫星的轻量级海洋事件检测流程,利用自监督编码器和异常检测模型,在资源受限的星载硬件上实现高效环境监测与及时警报。
2026-10-05 cs.AI cs.CV cs.LG
User-Based Sequential Modeling with Transformer Encoders for Insider Threat Detection
George Washington University(乔治·华盛顿大学)
提出基于用户的序列化方法结合Transformer编码器,将CERT数据转为时间序列并利用重构误差进行无监督异常检测,在内部威胁检测中实现了高达96.61%准确率等最先进性能。
2025-07-10 cs.LG
Graph Enhanced Trajectory Anomaly Detection
George Mason University(乔治·玛森大学)
本文提出GETAD框架,通过融合道路网络拓扑、路段语义与历史出行模式,结合图注意力网络、Transformer解码器及置信度加权评分,提升道路受限环境下的轨迹异常检测精度。
2025-09-22 cs.AI cs.LG
Connecting Web Event Forecasting with Anomaly Detection: A Case Study on Enterprise Web Applications Using Self-Supervised Neural Networks
Michigan Technological University(密歇根理工大学);American University(美利坚大学);Accenture Labs(埃森哲实验室);Cognization Lab(认知化实验室);University of Florida(佛罗里达大学)
最近,Web应用程序已被广泛用于企业,以帮助员工提供有效和高效的业务流程。在企业Web应用程序中预测即将到来的Web事件在许多方面都是有益的,例如高效的缓存和推荐。在本文中,我们提出了一种Web事件预测方法,DeepEvent,在企业Web应用程序中更好地进行异常检测。DeepEvent包括三个关键特性:Web特定的神经网络,以考虑顺序Web事件的特性;自监督学习技术,以克服标记数据的稀缺性;以及序列嵌入技术,以整合上下文事件并捕获Web事件之间的依赖关系。我们评估DeepEvent从六个真实世界的企业Web应用程序收集的Web事件。我们的实验结果表明,DeepEvent在预测连续Web事件和检测基于Web的异常方面是有效的。DeepEvent为研究人员和从业人员提供了一个基于上下文的系统,以更好地预测具有情景感知的Web事件。
2020-09-07 cs.CR cs.LG
Efficient pattern-based anomaly detection in a network of multivariate devices
University of Antwerp(安特卫普大学);Tilburg University(蒂尔堡大学)
提出可扩展的两步异常检测方法BAD,先恢复实体关系,再基于序列模式嵌入检测,在9个基准上F1达0.78,优于基线3%且快一个数量级。
2023-05-07 cs.AI cs.LG cs.NI
ShaTS: A Shapley-based Explainability Method for Time Series Artificial Intelligence Models applied to Anomaly Detection in Industrial Internet of Things
Departamento de Ingeniería y Tecnología de Computadores, University of Murcia(计算机工程与技术部门,穆尔西亚大学)
本文提出与模型无关的时序模型可解释性方法ShaTS,通过先验特征分组保留时序依赖,在SWaT数据集上比SHAP更准确地定位异常关键时间点、传感器和执行器,并满足工业实时性要求。
2025-06-02 cs.AI cs.LG
Real-Time Nonparametric Anomaly Detection in High-Dimensional Settings
Columbia University(哥伦比亚大学);University of South Florida(南佛罗里达大学)
对于产生高维数据的现代系统的实时的【形】监控和安全性来说,及时检测突发异常是至关重要的。有了这个目标,我们提出了有效的和可扩展的算法。所提出的算法是非参数的,因为假设标称和异常的多元数据分布是未知的。我们提取有用的单变量汇总统计量,并在一维空间中进行异常检测。我们将异常建模为持续的离群值,并建议通过累积和类算法来检测它们。在观察到的数据具有较低的固有维数的情况下,我们学习其中嵌入标称数据的子流形,并评估顺序获取的数据是否持续偏离标称子流形。此外,在一般情况下,我们通过几何熵最小化学习标称数据的接受区域,并评估连续观察的数据是否持续落在接受区域之外。我们提供了一个渐近下界和所提出的算法的平均虚警周期的渐近近似。此外,我们提供了一个充分条件,渐近保证所提出的算法的决策统计不发散的情况下,异常。实验结果表明,该方法在高维环境下能够快速、准确地进行异常检测。
2020-01-27 cs.CR cs.LG stat.ML
IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection
National Key Laboratory of Parallel and Distributed Computing(国家级并行与分布式计算实验室);College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机科学与技术学院);Intelligent Game and Decision Lab (IGDL)(智能游戏与决策实验室(IGDL));Information Systems Technology and Design, Singapore University of Technology and Design(新加坡科技设计大学信息系统技术与设计系);School of Computing and Information Systems, Singapore Management University(新加坡管理大学计算与信息系统学院)
本文提出IMPACT框架,通过影响建模方法解决开集时间序列异常检测中的挑战,通过学习影响函数生成真实异常模式并净化训练数据。
2026-05-20 cs.AI cs.LG
Improving SIEM for Critical SCADA Water Infrastructures Using Machine Learning
Abertay University(阿伯泰大学);Naval Academy Research Institute(海军学院研究所);Middlesex University(密德萨斯大学)
网络控制系统(NAC)已经被用于许多工业过程中。它们旨在减少人为因素的负担,并有效地处理这些系统的复杂流程和通信。监控和数据采集(SCADA)系统用于工业、基础设施和设施过程(例如制造、加工、石油和水管道、建筑通风等)。与其他物联网(IoT)实现一样,SCADA系统容易受到网络攻击,因此,强大的异常检测是一项主要要求。然而,拥有一个准确的异常检测系统并不是一件容易的事情,因为很难区分网络攻击和系统内部故障(例如硬件故障)。在本文中,我们提出了一个模型,检测异常事件的SCADA控制的水系统。六个机器学习技术已被用于建立和评估模型。该模型分类不同的异常事件,包括硬件故障(如传感器故障),破坏和网络攻击(如DoS和欺骗)。与其他检测系统不同,我们建议的工作重点是通知操作员,当发生异常的事件发生的概率。这一补充信息有助于加快缓解进程。该模型使用真实世界的数据集进行训练和测试。
2019-03-06 cs.CR cs.LG
Anomaly Detection via Controlled Sensing and Deep Active Inference
Syracuse University(雪城大学)
在本文中,我们解决的异常检测问题的目标是找到一组给定的过程中的异常进程。为此,决策代理在每个时刻探测过程的子集,并获得指示相应过程是否异常的二进制变量的潜在错误估计。代理继续探测进程,直到它获得足够数量的测量值来可靠地识别异常进程。在这种情况下,我们开发了一个顺序选择算法,决定哪些进程在每一个时刻进行探测,以检测异常的准确性超过所需的值,同时最大限度地减少决策的延迟和采取的测量总数。我们的算法是基于主动推理,这是一个一般的框架,以作出顺序的决定,以最大限度地提高自由能的概念。我们使用选择策略的目标定义自由能,并使用深度神经网络近似实现主动推理框架。使用数值实验,我们将我们的算法与基于深度行动者-批评者强化学习的最先进的方法进行了比较,并证明了我们的算法的优越性能。
2021-05-12 cs.LG eess.SP
Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study
SparkCognition Research(SparkCognition研究院)
本文提出一种基于序列模式相似度的快速高效异常检测与告警过滤方法,解决了传统时间依赖模型计算成本高且难训练的问题,并在大规模工业系统与公开数据集上验证了其有效性、通用性及鲁棒性。
2024-05-24 cs.LG eess.SP
Sequential Physics-Constrained Neural Operator Forward Modeling for the $\textit{Norne}$ Reservoir System
NVIDIA Corporation(NVIDIA公司)
针对Norne油藏基准问题,提出基于傅里叶神经算子(FNO)及其物理信息变体(PINO)的序贯代理模型,通过理论分析(函数空间公式、协变量偏移量化、物理约束谱稳定性、K步TBPTT梯度分析)和实验验证,实现全3298天时间跨度上油、气、压力和水的高精度预测,并在单GPU上获得约10^4倍加速。
2026-05-27 cs.LG
Anomaly Detection in Hierarchical Data Streams under Unknown Models
Cornell University(康奈尔大学);University of California, Davis(加利福尼亚大学戴维斯分校)
我们考虑的问题中检测大量的分层数据流中的几个目标。数据流被建模为具有未知和潜在重尾分布的随机过程。我们的目标是一个积极的推理策略,确定,顺序,收集样本的数据流,以尽量减少样本的复杂性下的可靠性约束。我们提出了一种主动推理策略,诱导有偏随机游走的树结构的层次结构的基础上的样本统计量的置信界。然后,我们根据搜索空间的大小(即,数据流的数量)和可靠性要求。结果发现应用在分层重击检测,嘈杂的群体测试,自适应采样的主动学习,分类和随机根查找。
2017-09-11 cs.LG
TiSAT: Time Series Anomaly Transformer
University of South Florida(南佛罗里达大学)
虽然时间序列中的异常检测已经是一个活跃的研究领域了好几年,但最近的方法采用了一个不充分的评估标准,导致F1分数膨胀。我们表明,一个基本的随机猜测方法可以优于国家的最先进的检测器在这个流行的,但错误的评价标准。在这项工作中,我们提出了一个适当的评价指标,衡量检测序列异常的及时性和精度。此外,大多数现有的方法无法从长序列中捕获时间特征。基于自注意力的方法,如Transformers,已被证明在捕获远程依赖关系方面特别有效,同时在训练和推理期间具有计算效率。我们还提出了一个有效的Transformer方法在时间序列中的异常检测,并广泛评估我们提出的方法在几个流行的基准数据集。
2022-03-10 cs.LG eess.SP stat.ML
A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset
West Virginia University(西弗吉尼亚大学)
异常是指偏离正常和同质事件的数据点或事件,可能包括欺诈活动、网络渗透、设备故障、流程更改或其他重大但不常见的事件。及时发现此类事件可以防止财务、信息和人力资源方面的潜在损失。随着计算能力的提高和大数据集的可用性,异常检测已成为一个主要的研究领域。其中,时间序列中的异常检测最近得到了更多的关注,由于时间维所施加的复杂性。本文提出了一种结合双向长短期记忆(Bi-LSTM)架构和自动编码器的时间序列异常检测框架。由两个单向LSTM网络组成的Bi-LSTM网络可以从两个方向分析时间序列数据,从而有效地发现隐藏在序列数据中的长期依赖关系。同时,自动编码器机制有助于建立最佳阈值,超过该阈值的事件可以被分类为异常。为了证明所提出的框架的有效性,它被应用到一个真实世界的多变量时间序列数据集收集的风电场。Bi-LSTM Autoencoder模型实现了96.79%的分类准确率,优于更常用的LSTM Autoencoder模型。
2023-03-17 cs.LG