Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization
TCS Research(塔塔咨询服务研究中心)
提出一种基于超图学习的自适应异常检测框架,通过分层编码器-解码器建模多传感器时空关系,利用自监督自回归预测异常,并结合异常诊断本体与离线最优预测控制策略实现根因分析与补救推荐,达到SOTA性能。
2024-08-21 cs.AI cs.LG
Multivariate Time Series Anomaly Detection with Few Positive Samples
GE Research(通用电气研究中心)
由于在现实世界中的应用异常的稀缺性,大多数文献一直专注于建模的正常性。学习的表示使得能够进行异常检测,因为正态模型被训练以捕获在正常情况下的某些关键基础数据。在实际环境中,特别是工业时间序列异常检测中,我们经常会遇到大量正常运行数据以及少量随时间收集的异常事件的情况。这种实际情况要求利用这些少量的异常事件来创建更好的异常检测器的方法。在本文中,我们介绍了两种方法来解决这种实际情况的需要,并比较它们与最近开发的最先进的技术。我们提出的方法锚定在正常操作的自回归(AR)模型的代表性学习以及损失分量,以鼓励表示,分离正常与少数积极的例子。我们将所提出的方法应用于两个工业异常检测数据集,并与文献中的方法进行比较,证明了有效的性能。我们的研究还指出了在实际应用中采用这种方法的额外挑战。
2022-07-02 cs.AI cs.LG cs.NE
Trajectory Anomaly Detection with Language Models
George Mason University(乔治梅森大学)
本文提出LM-TAD,一种基于自回归因果注意力模型的轨迹异常检测方法,将轨迹视为token序列学习概率分布,结合用户特定token实现高精度异常定位,并在合成与真实数据集上展现优越性能与在线检测能力。
2024-09-18 cs.AI 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
Call Detail Records Driven Anomaly Detection and Traffic Prediction in Mobile Cellular Networks
University of Science and Technology Beijing(北京科技大学);COMSATS University Islamabad(COMSATS伊斯兰堡大学)
移动网络拥有关于用户以及网络的信息。这些信息对于使网络端到端可见和智能化非常有用。大数据分析可以有效地分析用户和网络信息,在机器学习工具的帮助下挖掘有意义的见解。利用大数据分析和机器学习,这项工作在三个方面做出了贡献。首先,我们利用呼叫详细记录(CDR)数据来检测网络中的异常。对于异常的认证和验证,我们使用k-means聚类,一种无监督的机器学习算法。通过对异常的有效检测,我们可以进行适当的资源分配设计以及故障检测和避免。其次,我们通过去除异常活动来准备无异常数据,并训练神经网络模型。通过将异常数据和无异常数据通过该模型,我们观察了异常活动对模型训练的影响,并观察了异常数据和无异常数据的均方误差。最后,我们使用自回归综合移动平均(ARIMA)模型来预测未来的流量为用户。通过简单的可视化,我们表明,无异常数据更好地概括了学习模型,并在预测任务上表现得更好。
2018-07-30 cs.AI cs.LG stat.ML
A real-time anomaly detection method for robots based on a flexible and sparse latent space
Department of Computer Science, Hanyang University(韩雅大学计算机科学系);Korea Institute of Science and Technology (KIST)(韩国科学技术院)
本文提出一种基于稀疏掩码自回归流对抗自编码器的机器人实时异常检测方法,通过灵活潜空间和稀疏特征聚焦,在拾放和碰撞场景中显著提升检测精度,并实现毫秒级推理。
2025-06-22 cs.LG cs.RO
ADSaS: Comprehensive Real-time Anomaly Detection System
Korea University(高丽大学)
随着海量数据的增长,对自主和通用异常检测系统的需求也在增加。然而,开发一个独立的通用异常检测系统,是准确和快速的仍然是一个挑战。在本文中,我们提出了传统的时间序列分析方法,季节性自回归综合移动平均(SARIMA)模型和季节性趋势分解黄土(STL),检测复杂和各种异常。通常,SARIMA和STL仅用于平稳和周期性的时间序列,但通过结合,我们表明它们可以高精度地检测数据的异常,即使是噪声和非周期性的。我们将该算法与长短期记忆(LSTM)进行了比较,后者是一种用于异常检测系统的基于深度学习的算法。我们使用了七个真实世界的数据集和四个人工数据集具有不同的时间序列属性,以验证所提出的算法的性能。
2018-11-30 cs.LG stat.ML
Are Large Language Models Useful for Time Series Data Analysis?
School of Information, The University of Texas at Austin(德克萨斯大学奥斯汀分校信息学院)
本研究通过对比LLM与非LLM方法在分类、异常检测和预测任务上的表现,发现LLM在异常检测中优势明显,但在预测中优势有限,为未来时间序列分析中LLM的应用与局限研究奠定基础。
2024-12-16 cs.AI cs.LG
Locally Masked Convolution for Autoregressive Models
UC Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学)
高维生成模型在图像压缩、多媒体生成、异常检测和数据完备等方面有着广泛的应用。用于自然图像的现有技术估计器是自回归的,将像素上的联合分布分解成由深度神经网络(例如,诸如PixelCNN的卷积神经网络)参数化的条件的乘积。然而,PixelCNN仅对联合的单个分解进行建模,并且仅单个生成顺序是有效的。对于图像完成等任务,这些模型无法使用大部分观察到的上下文。为了以任意顺序生成数据,我们引入了LMConv:对标准2D卷积的简单修改,允许将任意掩码应用于图像中每个位置的权重。使用LMConv,我们学习了共享参数但生成顺序不同的分布估计器的集合,从而提高了全图像密度估计的性能(在无条件CIFAR10上为2.89 bpd),以及全局相干图像完成。我们的代码可在https://ajayjain.github.io/lmconv上获得。
2020-06-27 cs.CV cs.LG cs.NE
DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data
本文提出DTAAD模型,将自回归模型与自编码器结合,并采用双TCN-注意力网络,在多变量时间序列异常检测与诊断中以超轻量结构显著提升F1分数并大幅缩短训练时间。
2024-04-29 cs.LG
Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals
Global Energy Interconnection Development and Cooperation Organization(全球能源互联网发展合作组织);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Microsoft Research Asia(微软亚洲研究院)
如今,多传感器技术应用于许多领域,例如,医疗保健(HC)、人类活动识别(HAR)和工业控制系统(ICS)。这些传感器可以生成大量的多变量时间序列数据。多传感器时间序列数据的无监督异常检测是机器学习研究的重要内容。关键的挑战是通过捕捉多传感器数据的时空相关性来发现广义正态模式。除此之外,噪声数据通常与训练数据交织在一起,这可能会误导模型,使其难以区分正常,异常和噪声数据。以往的研究很少能同时解决这两个问题。在本文中,我们提出了一种新的基于深度学习的异常检测算法,称为深度卷积自动编码记忆网络(CAE-M)。我们首先构建了一个深度卷积自动编码器,用最大平均离散度(MMD)来表征多传感器数据的空间依赖性,以更好地区分噪声,正常和异常数据。然后,我们构建了一个由线性(自回归模型)和非线性预测(带注意力的双向LSTM)组成的记忆网络,以从时间序列数据中捕获时间依赖性。最后,CAE-M联合优化这两个子网。我们经验比较所提出的方法与几个国家的最先进的异常检测方法的HAR和HC数据集。实验结果表明,我们提出的模型优于这些现有的方法。
2021-08-02 cs.AI cs.LG eess.SP
Protecting Federated Learning from Extreme Model Poisoning Attacks via Multidimensional Time Series Anomaly Detection
Department of Computer, Control and Management Engineering, Sapienza University of Rome(计算机、控制与管理工程系,罗马萨皮恩扎大学);National Research Council in Pisa(比萨国家研究理事会);Department of Statistics, Ludwig-Maximilians-University of Munich(统计学系,慕尼黑路德维希-马克西米利安大学);Department of Computer Science, Sapienza University of Rome(计算机科学系,罗马萨皮恩扎大学)
FLANDERS通过多维时间序列异常检测方法,有效防御联邦学习中的大规模模型污染攻击,提升系统鲁棒性。
2024-12-02 cs.AI cs.CR cs.LG
TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation
School of Computing, Utah State University(计算学院,犹他州立大学)
TIMED提出统一生成框架,结合扩散模型、自回归监督网络和对抗判别器,并引入MMD损失,以生成更真实、时间连贯的多元时间序列。
2025-09-23 cs.CV cs.LG
Generative Pretraining at Scale: Transformer-Based Encoding of Transactional Behavior for Fraud Detection
Tencent(腾讯)
本文提出一种基于GPT架构的自回归模型,通过无监督预训练和差分卷积方法,有效解决令牌爆炸并重构行为序列,用于支付系统欺诈检测,在中国最大在线支付商户中展现出高安全性和广泛适用性。
2023-12-22 cs.AI cs.LG
Morphology-preserving Autoregressive 3D Generative Modelling of the Brain
NVIDIA(英伟达);DeepMind(深度思维);Oxford Nanopore Technologies(牛津纳米孔技术公司);University College London(伦敦大学学院)
可以使用医学成像数据来研究人体解剖学、形态学和相关疾病。然而,对医学成像数据的访问受到治理和隐私问题、数据所有权和获取成本的限制,从而限制了我们了解人体的能力。这个问题的一个可能的解决方案是创建一个模型,该模型能够学习并然后生成以特定的相关特性为条件的人体合成图像(例如,年龄、性别和疾病状态)。神经网络形式的深度生成模型最近已被用于创建自然场景的合成2D图像。尽管如此,产生具有正确解剖形态的高分辨率3D体积成像数据的能力受到数据稀缺性以及算法和计算限制的阻碍。这项工作提出了一种生成模型,可以缩放以产生解剖学上正确的,高分辨率和逼真的人脑图像,具有必要的质量,以允许进一步的下游分析。生成潜在无限数量数据的能力不仅可以在不损害患者隐私的情况下对人体解剖学和病理学进行大规模研究,而且还可以显着推进异常检测,模态合成,有限数据下的学习以及公平和道德AI领域的研究。代码和训练模型可在https://github.com/AmigoLab/SynthAnatomy上获得。
2022-09-07 cs.CV cs.LG eess.IV
Meteorological and human mobility data on predicting COVID-19 cases by a novel hybrid decomposition method with anomaly detection analysis: a case study in the capitals of Brazil
Universidade Federal de São Paulo (UNIFESP)(圣保罗联邦大学)
2020年,巴西是拉丁美洲COVID-19病例最多的国家,首都城市受疫情影响最严重。巴西的气候因国家的领土延伸、地形、地理和其他因素而异。由于最常见的COVID-19症状与呼吸系统有关,许多研究人员研究了COVID-19病例数量与温度,湿度,降雨量等气象变量之间的相关性。此外,由于其高传播率,一些研究人员分析了人类流动性对COVID-19传播动态的影响。在预测COVID-19病例的传播时,缺乏考虑这两个变量的文献。本文分析了COVID-19病例数量与人口流动性之间的相关性,以及巴西首都的气象数据。我们发现,这些变量之间的相关性取决于城市所在的地区。我们使用与COVID-19病例显著相关的变量来预测巴西所有首都的COVID-19感染人数,并提出了一种结合Ensemble Empirical Mode Decomposition(EEMD)方法和自回归积分移动平均外源输入(ARIMAX)方法的预测方法,我们称之为EEMD-ARIMAX。在分析结果后,使用基于信号处理的异常检测方法进一步研究了不良预测。计算测试表明,EEMD-ARIMAX实现了预测比ARIMAX高26.73%。此外,平均均方根误差(RMSE)的30.69%的改善时,注意到应用EEMD-ARIMAX方法的异常检测后归一化的数据。
2021-05-10 cs.LG stat.AP
Trans GAN-WT: A Feature Extraction and Interactive Learning-Based Anomaly Detection Model for Wind Turbine Time Series Data
Shandong University(山东大学)
提出融合Transformer和生成对抗网络的异常检测模型TransGAN-WT,通过放大重构误差、自回归多模态特征提取和时序特征交互学习,在真实风电机组数据集上F1达96.10%,误报率仅0.06%。
2026-06-02 cs.LG stat.AP
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架,通过建模时间依赖性与不确定性,实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
Anomaly Detection in Trajectory Data with Normalizing Flows
Federal University of Ceará(塞阿拉联邦大学);National Department of Public Security(国家公共安全部)
异常数据模式的检测在实际应用中既重要又具有挑战性。在空间数据的背景下,识别意外的轨迹带来了额外的困难,如高维和不同的模式长度。我们的目标是从概率密度估计的角度来解决这样的问题,因为它提供了一个无监督的过程来识别出的分布样本。更具体地说,我们追求一种基于标准化流的方法,这是一种最近的框架,可以使用神经网络从数据中进行复杂的密度估计。我们的建议计算精确的模型似然值,规范化流的一个重要特征,为轨迹的每一段。然后,我们将片段的可能性聚合成单个连贯的轨迹异常分数。这样的策略使得能够处理具有不同长度的可能大的序列。我们评估我们的方法,命名为聚合异常检测与规范化流(GRADINGS),使用真实世界的轨迹数据,并比较它与更传统的异常检测技术。在所进行的计算实验中获得的有希望的结果表明的分级的可行性,特别是考虑自回归归一化流的变体。
2020-04-13 cs.LG stat.ML
Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection
School of Liberal Arts(文学学院);Mercy University(梅里大学)
本文提出潜在雕刻方法,通过分层两阶段学习,在高维表格领域实现零样本泛化,有效检测Out-of-Distribution异常。
2026-08-03 cs.CR cs.LG
BIVA: A Very Deep Hierarchy of Latent Variables for Generative Modeling
Corti(Corti公司);Unumed(Unumed公司);Technical University of Denmark(丹麦技术大学)
随着变分自动编码器(VAE)的引入,概率潜变量模型作为强大的生成模型重新受到关注。然而,它们在测试可能性和生成样本的质量方面的性能已经被没有随机单元的自回归模型所超越。此外,基于流的模型最近被证明是一个有吸引力的替代方案,以及高维数据的规模。在本文中,我们通过构建VAE模型,可以有效地利用一个深层次的随机变量和模型复杂的协方差结构的性能差距。我们介绍了双向推理变分自动编码器(BIVA),其特征在于一个跳跃连接的生成模型和一个由双向随机推理路径形成的推理网络。我们表明,BIVA达到了最先进的测试似然,生成清晰和连贯的自然图像,并使用隐变量的层次结构来捕获数据分布的不同方面。我们观察到,BIVA,在最近的结果相反,可以用于异常检测。我们把这归因于隐变量的层次结构,它能够提取高层次的语义特征。最后,我们将BIVA扩展到半监督分类任务,并证明它通过生成对抗网络实现了最先进的结果。
2019-11-06 cs.CV cs.LG stat.ML