Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders
East China Normal University(华东师范大学);Aalborg University(奥尔堡大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对时间序列异常检测模型泛化能力差的问题,提出在多领域数据上预训练的通用检测器DADA,通过自适应瓶颈和双重对抗解码器灵活选择信息瓶颈并增强正常与异常序列的区分,在九个数据集上实现优异的零样本检测性能。
2025-03-03 cs.LG
Mitigating Convergence Collapse in Fixed-Target Anomaly Detectors via Kernel-Anchored Locality Regularization
Université Paris-Saclay(巴黎-萨克雷大学);CNRS(法国国家科学研究中心);CentraleSupélec(中央理工-高等电力学院);LISN UMR 9015(数字科学跨学科实验室);Laboratoire Interdisciplinaire des Sciences du Numérique(数字科学跨学科实验室)
针对固定目标神经异常检测器在收敛时残差信号消失的坍缩问题,提出核锚定正则化器(KAR),通过惩罚预测与核加权目标偏差保持局部性,在ADBench上缓解坍缩并提升AUROC。
2026-10-05 cs.LG
Comparison of Anomaly Detectors: Context Matters
Czech Technical University(捷克技术大学)
深度生成模型正在挑战当前异常检测领域的经典方法。每一种新方法都提供了优于其前辈的证据,但结果往往相互矛盾。这种比较的目的是双重的:比较各种范式的异常检测方法,重点是深度生成模型,并识别可能产生不同结果的变异性来源。流行的表格和图像数据集的方法进行了比较。我们将变异性的主要来源确定为实验条件:i)类型数据集(表格或图像)和异常的性质(统计或语义),以及ii)选择超参数的策略,特别是验证集中可用异常的数量。不同的方法在不同的情况下表现最好,即实验条件与计算时间的组合。这解释了先前结果的可变性,并强调了在发表新方法时仔细说明上下文的重要性。我们所有的代码和结果都可以下载。
2021-06-08 cs.LG
Learning Ensembles of Anomaly Detectors on Synthetic Data
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究所);PO–AO “Minimaks-94”(PO–AO“Minimaks-94”)
本研究的主要目的是发展并实作一个气象时间序列的自动异常侦测演算法。为了实现这一目标,我们开发了一种方法来构建一个合奏的异常检测器结合自适应阈值选择人工生成的异常。我们证明了所提出的方法的有效性,将相应的实现到“极小-94”道路天气信息系统。
2019-05-20 cs.LG stat.ML
OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection
LG AI Research(LG AI研究院)
针对时间序列异常检测缺乏通用检测器的问题,本文提出ONESHOT方法,利用单个已确认异常对检测器组加权,在152个单变量和73个多变量序列上性能优于基线方法。
2026-10-14 cs.AI cs.LG
Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN
Amirkabir University of Technology(阿米尔卡比尔理工大学)
本文提出 RCALAD 异常检测方法,通过引入新型判别器、补充分布和两种异常分数,结合循环一致性 GAN 提升异常检测性能,并在六个数据集上验证其优于现有方法。
2024-04-30 cs.LG
LLM as an Algorithmist: Enhancing Anomaly Detectors via Programmatic Synthesis
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);CUHK-Shenzhen(香港中文大学(深圳));Department of DSAI, Monash University(莫纳什大学数据科学与人工智能系);KAUST(阿卜杜拉国王科技大学);International Center of Future Science, Jilin University(吉林大学未来科学国际合作中心);Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE, China(教育部知识驱动人机智能工程研究中心)
本文提出LLM-DAS框架,将LLM从数据处理者转变为算法家,通过程序合成生成对抗性异常,提升检测器鲁棒性。
2026-03-30 cs.LG
Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning
Southwestern University of Finance and Economics(西南财经大学);Shenzhen University(深圳大学);University of Nottingham(诺丁汉大学)
异常检测在机器智能中有着广泛的应用,但仍然是一个尚未解决的难题。主要的挑战包括标记异常的罕见性,这是一类高度不平衡的问题。传统的无监督异常检测器是次优的,而监督模型可以很容易地对正常数据进行有偏的预测。本文通过引入新型集成主动学习生成对抗网络(EAL-GAN),提出了一种新的有监督异常检测器。EAL-GAN是一种条件GAN,具有唯一的一个生成器对多个鉴别器架构,其中异常检测由鉴别器的辅助分类器实现。除了使用条件GAN生成类平衡的补充训练数据外,还设计了一种创新的集成学习损失函数,确保每个类的学习都能弥补其他类的学习不足,以克服类不平衡问题,并引入主动学习算法,以显著降低标注真实世界数据的成本。我们提出了广泛的实验结果表明,新的异常检测器始终优于各种SOTA方法的显着利润率。代码可以在Github上找到。
2021-04-24 cs.LG
Improved histogram-based anomaly detector with the extended principal component features
Deakin University(迪肯大学);University of South Dakota(南达科他大学)
在这个大数据时代,数据库在记录数量方面正在快速增长。在这些海量数据库中快速自动检测异常记录是一项具有挑战性的任务。传统的基于距离的异常检测器不适用于这些海量数据集。最近,一个简单的,但非常快速的异常检测器,使用一维直方图已经推出。数据实例的异常得分被计算为它所落入的每个维度中的直方图的概率质量的乘积。与许多数据集中的许多最先进的方法相比,它产生了具有竞争力的结果。因为它假设数据特征是相互独立的,所以当特征之间存在相关性时,它会导致检测精度差。为了解决这个问题,我们建议通过添加更多的功能,基于主成分来增加特征的大小。我们的研究结果表明,使用原始输入功能与主成分一起提高了基于直方图的异常检测器的检测精度显着,而不会影响太多的运行时间。
2019-09-27 cs.LG stat.ML
Beat the Counter First: A Baseline for Temporal-Graph Anomaly Detectors
该研究针对时序图异常检测,提出无参数的SimpleCount单特征基准,经多数据集实验表明其性能优于部分复杂模型且计算成本低,建议异常检测增益需结合计算成本与单特征基准评估。
2026-08-18 cs.LG
ARCADe: A Rapid Continual Anomaly Detector
University of Munich(慕尼黑大学);Siemens AG(西门子股份公司)
虽然持续学习和异常检测已经分别在以前的作品中得到了很好的研究,他们的交集仍然相当未被探索。目前的工作解决了一个学习的情况下,一个模型必须逐步学习一系列的异常检测任务,即任务,只有正常(多数)类的例子可用于训练。我们定义了这种新的学习问题的连续异常检测(CAD),并制定它作为一个元学习问题。此外,我们提出了一种快速连续异常检测器(ARCADe),一种训练神经网络的方法,以应对这种新的学习问题的主要挑战,即灾难性遗忘和过度拟合多数类。我们在三个数据集上的实验结果表明,在CAD问题设置中,ARCADe大大优于持续学习和异常检测文献的基线。最后,我们提供了更深入的了解所提出的元学习算法产生的学习策略。
2020-10-18 cs.LG stat.ML
Robust and Explainable Detector of Time Series Anomaly via Augmenting Multiclass Pseudo-Anomalies
SANKEN, University of Osaka(大阪大学SANKEN研究所)
针对时间序列无监督异常检测中异常污染问题,提出RedLamp方法,通过多样化数据增强生成多类伪异常并采用软标签多类分类,实现鲁棒且可解释的异常检测。
2025-05-27 cs.LG
Learning Efficient Anomaly Detectors from $K$-NN Graphs
Boston University(波士顿大学)
提出了一种高维数据的非参数异常检测算法。我们通过平均$K$ -NN距离对每个数据点进行评分,并相应地对它们进行排名。然后,我们训练有限的复杂度模型来模仿这些分数的基础上的最大利润率学习排名框架。如果预测分数在$α$百分位数内,则将测试点声明为$α$ -假警报水平的异常。所得到的异常检测器被证明是渐近最优的,在任何虚警率$α$,其决策区域收敛到$α$百分位数的最小体积水平集的未知的底层密度。此外,我们测试了我们的算法的统计性能和计算效率上的一些合成和真实数据的实验。我们的研究结果表明,我们的算法优于现有的$K$ -NN基于异常检测算法,具有显着的计算节省。
2015-02-06 cs.LG stat.ML
ARC: A Generalist Graph Anomaly Detector with In-Context Learning
Griffith University(格里菲斯大学);Guangxi University(广西大学);La Trobe University(拉筹伯大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出ARC,一种基于上下文学习的通用图异常检测器,通过特征对齐、残差图编码和交叉注意力异常评分三个模块,实现无需重训练即可跨数据集即时检测异常,显著提升了泛化性和效率。
2024-12-24 cs.LG
Learning Minimum Volume Sets and Anomaly Detectors from KNN Graphs
提出了一种高维数据的非参数异常检测算法。我们首先对来自$n$点标称训练数据的最近邻图的分数进行排名。然后,我们训练有限的复杂度模型来模仿这些分数的基础上的最大利润率学习排名框架。如果预测分数在$α$百分位数内,则将测试点声明为$α$ -假警报水平的异常。所得到的异常检测器被证明是渐近最优的,在任何虚警率$α$,其决策区域收敛到$α$百分位数的最小体积水平集的未知的底层密度。此外,我们测试了我们的算法的统计性能和计算效率上的一些合成和真实数据的实验。我们的研究结果表明,我们的算法优于现有的$K$ -NN基于异常检测算法,具有显着的计算节省。
2016-01-22 cs.LG stat.ML
Evaluation of an Anomaly Detector for Routers using Parameterizable Malware in an IoT Ecosystem
Drexel University(德雷塞尔大学)
本文构建含受感染Linux路由器的IoT测试床,利用可参数化的勒索软件、挖矿程序和键盘记录器,评估基于系统调用与网络流量特征的SVM行为异常检测器的有效与失效场景。
2021-10-29 cs.CR cs.LG
Have an LLM Write Your Anomaly Detector: Autonomous Discovery of Compact, Interpretable Detectors for Time Series
Lamarr Institute(Lamarr 研究所);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所)
本文利用大语言模型自主编写紧凑、可解释的时间序列异常检测程序,在TSB-AD基准上超越强基线,无需训练网络或GPU,实现精度、效率与可解释性的统一。
2026-10-02 cs.AI cs.LG
How to Allocate your Label Budget? Choosing between Active Learning and Learning to Reject in Anomaly Detection
KU Leuven(鲁汶大学)
异常检测试图找到偏离预期行为的示例。通常,异常检测是从无监督的角度来处理的,因为异常标签是罕见的,难以获取。然而,标签的缺乏使得异常检测器在某些区域具有较高的不确定性,这通常导致预测性能差或用户对预测的信任度低。人们可以通过使用主动学习(AL)收集特定的标签来减少这种不确定性,AL的目标是接近检测器的决策边界的示例。或者,可以通过允许检测器放弃做出高度不确定的预测来增加用户信任,这被称为学习预测(LR)。实现这一点的一种方法是根据检测器的性能较低的地方对检测器的不确定性进行阈值化,这需要对标签进行评估。虽然AL和LR都需要标签,但它们使用不同类型的标签:AL寻求明显有偏见的战略标签,而LR需要i.i.d.。标签来评估检测器的性能并设置拒绝阈值。由于通常有一个独特的标签预算,决定如何最佳地分配它是具有挑战性的。在本文中,我们提出了一种混合策略,给定标签预算,在多轮中决定是否使用预算来收集AL标签或LR标签。该策略基于一个奖励函数,该函数在将预算分配给任何一方时衡量预期收益。我们在18个基准数据集上评估了我们的策略,并将其与一些基线进行了比较。
2023-01-07 cs.LG
An Adaptive Approach for Anomaly Detector Selection and Fine-Tuning in Time Series
Alibaba Inc(阿里巴巴公司)
时间序列的异常检测是时间序列数据挖掘的一个热点。不同的异常检测器自身的特点决定了它们所擅长的异常数据。没有检测器可以在所有类型的异常中进行优化。此外,由于单个探测器不能在同一时间序列的不同时间窗口进行优化等问题,该方法在工业生产中仍然存在困难。提出了一种基于时间序列特征,选择合适的检测器和运行时参数进行异常检测的自适应模型--ATSDLN(Adaptive时间序列Detector Learning Network)。我们将时间序列作为模型的输入,通过FCN学习时间序列的表示。为了实现根据输入时间序列自适应地选择检测器和运行时参数,FCN的输出分别作为检测器选择网络和运行时参数选择网络的输入。此外,参数选择子网络的变层宽设计和迁移学习的引入使模型具有更强的可扩展性。通过实验发现,ATSDLN能够选择合适的异常检测器和运行时参数,具有很强的可扩展性,能够快速地进行迁移。我们在公开数据集上研究了ATSDLN的性能,我们的方法在大多数情况下优于其他方法,具有更高的效果和更好的适应性。我们还展示了在公共数据集上的实验结果,以证明模型结构和迁移学习如何影响有效性。
2019-07-18 cs.LG stat.ML
A Multimodal Anomaly Detector for Robot-Assisted Feeding Using an LSTM-based Variational Autoencoder
Georgia Institute of Technology(佐治亚理工学院)
异常执行的检测对于减少辅助操作中的潜在危害具有重要意义。多模态感觉信号可以有助于检测广泛的异常。然而,高维和异构模态的融合是一个具有挑战性的问题。我们介绍了一种基于长短期记忆的变分自编码器(LSTM-VAE),它融合信号并重建它们的预期分布。我们还引入了一个基于LSTM-VAE的检测器,使用基于重建的异常分数和基于状态的阈值。对于包括12种代表性异常类型的1,555次机器人辅助喂食执行的评估,我们的检测器的受试者工作特征曲线(AUC)下的面积为0.8710,高于文献中的其他5种基线检测器。我们还表明,通过LSTM-VAE的多模态融合是有效的,通过比较我们的检测器与17个原始感觉信号与4个手工设计的功能。
2017-11-02 cs.LG cs.RO
Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data
Carnegie Mellon University(卡内基梅隆大学);Bosch Center for Artificial Intelligence(博世人工智能中心);University of California, Irvine(加州大学欧文分校)
针对无标记验证数据无法评估异常检测器性能的问题,提出仅用少量正常图像生成合成异常的SWSA框架,可在无需训练的情况下实现异常检测器与提示的选择,效果优于基线策略。
2024-09-16 cs.CV cs.LG
Is Your Anomaly Detector Ready for Change? Adapting AIOps Solutions to the Real World
Delft University of Technology(代尔夫特理工大学);Leibniz University Hannover(汉诺威莱布尼茨大学)
针对运维数据随时间变化影响异常检测模型性能的问题,研究了两类维护技术、两种重训练数据策略的效果,并验证了数据变化监测工具判断模型更新时机的可行性,为AIOps异常检测方案的真实世界适配提供参考。
2024-04-11 cs.LG cs.SE
ECoLAD: Selecting Anomaly Detectors for Automotive Deployment via Compute-Reduction Evaluation
Mercedes-Benz AG(梅赛德斯-奔驰集团);Institute for Intelligent Systems(智能系统研究所);Esslingen University of Applied Sciences(埃斯林根应用科学大学)
本文提出ECoLAD评估协议,通过实车 telemetry 和公开基准测试,评估在受限 CPU 平行性下时间序列异常检测方法的效率与性能。
2026-07-14 cs.AI 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
Subgraph Centralization: A Necessary Step for Graph Anomaly Detection
Nanjing University(南京大学);Singapore Management University(新加坡管理大学)
图的异常检测是近年来研究的热点。尽管他们的成功,现有的检测器至少有三个弱点中的两个:(a)高计算成本,这将它们限制在小规模的网络;(b)现有的处理子图产生次优的检测精度;(c)无法提供一个解释,为什么一个节点是异常的,一旦它被识别。我们确定,这些弱点的根本原因是缺乏一个适当的治疗子图。提出了一种用于图异常检测的子图中心化方法。其重要性表现在两个方面。首先,我们提出了一个简单而有效的新框架,称为图中心异常检测(GCAD)。GCAD相对于包括深度学习检测器在内的现有检测器的主要优势是:(i)更好的异常检测准确性;(ii)相对于节点数量的线性时间复杂度;以及(iii)它是一个通用框架,允许使用现有的点异常检测器来检测网络中的节点异常。其次,我们证明了子图中心化可以被纳入两个现有的检测器,以克服上述弱点。
2023-01-17 cs.LG cs.SI
DeCorus: Hierarchical Multivariate Anomaly Detection at Cloud-Scale
IBM Research Haifa(IBM海法研究院)
多变量异常检测可以用于识别计算系统的大量遥测数据内的中断。然而,开发一个有效的异常检测器,可以为用户提供相关的信息是一个具有挑战性的问题。我们介绍我们的方法,分层多元异常检测称为DeCorus,统计多元异常检测器,实现线性复杂度。它扩展了标准的统计技术,以提高其在噪声信号中发现相关异常的能力,并利用系统操作员通常拥有的领域知识类型来计算系统级异常分数。我们描述了DeCorus的实现,DeCorus是一个在线日志异常检测工具,用于在云服务提供商处部署的网络设备系统日志消息。我们使用真实世界的数据集,包括$1.5$十亿网络设备系统日志消息和数百个事件票的特点的性能DeCorus和比较其能力,检测事件与五个替代异常检测器。虽然DeCorus优于其他异常检测器,但它们都受到我们数据集的挑战。我们将分享DeCorus如何在现场提供价值,以及我们计划如何提高其事件检测准确性。
2022-02-14 cs.DC cs.LG
Unsupervised Anomaly Detection with Rejection
KU Leuven(鲁汶大学)
本文提出在无监督异常检测中,基于ExCeeD稳定性度量设置恒定弃权阈值,以处理决策边界附近的不确定性,并提供理论保证和实验验证。
2023-10-17 cs.LG
Tabular Foundation Models are Strong Graph Anomaly Detectors
State Key Laboratory for Novel Software Technology Nanjing University Nanjing China(新型软件技术国家重点实验室 南京大学 南京 中国);State Key Laboratory for Novel Software Technology Nanjing University(新型软件技术国家重点实验室 南京大学)
本文提出TFM4GAD,利用表格基础模型解决图异常检测问题,通过增强特征表和上下文学习提升跨领域泛化能力。
2026-01-24 cs.LG
Efficient Nonlinear RX Anomaly Detectors
当前的异常检测算法通常受到准确性或效率的挑战。更精确的非线性检测器通常速度慢且不可扩展。在这封信中,我们提出了两个家庭的技术,以提高效率的标准核Reed-Xiaoli(RX)的方法进行异常检测,通过近似核函数与{ \em数据无关}随机傅立叶特征或{ \em数据相关}的基础与Nyström方法。我们比较所有的方法,真正的多光谱和高光谱图像。我们表明,所提出的高效方法具有较低的计算成本,由于其隐式正则化效应,它们的性能与标准内核RX算法相似(或优于标准内核RX算法)。最后但并非最不重要的是,Nyström方法具有改进的检测能力。
2020-12-07 cs.CV cs.LG eess.IV
Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
The Pennsylvania State University(宾夕法尼亚州立大学)
针对扩散净化会削弱异常信号的问题,提出 AdvRAD,让扩散模型同时承担异常检测与对抗净化,并支持 l2 扰动认证鲁棒性。
2024-08-09 cs.CV cs.LG
Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection
Nanjing University(南京大学);Osaka University(大阪大学)
我们引入隔离分布核作为一种新的方法来衡量两个分布之间的相似性。现有的基于核均值嵌入的方法将点核转换为分布核,存在两个关键问题:点核具有难以处理的维数特征映射;点核是{ \em数据无关}的。本文表明,隔离分布式内核(IDK),这是基于{ \em数据相关}点内核,解决这两个关键问题。我们证明了IDK的功效和效率作为一个新的工具,基于内核的异常检测点和组异常。在没有显式学习的情况下,单独使用IDK优于现有的基于核的点异常检测器OCSVM和其他依赖于高斯核的核均值嵌入方法。对于组异常检测,我们引入了一个基于IDK的检测器,称为IDK $^2$。该算法将输入空间中的群异常检测问题转化为Hilbert空间中的点异常检测问题,无需学习。IDK $^2$的运行速度比组异常检测器OCSMM快几个数量级。我们首次揭示了一个有效的基于核均值嵌入的异常检测器必须采用一个特征核,这是数据依赖的。
2020-09-24 cs.LG stat.ML
Detection Latencies of Anomaly Detectors: An Overlooked Perspective ?
Department of Mathematics and Informatics, University of Florence(佛罗伦萨大学数学与信息学系)
本文提出评估异常检测器时需考虑检测延迟,通过工业案例验证延迟与误报率的关系,为配置检测器提供指导。
2024-02-14 cs.CR cs.LG
Unsupervised Feature Construction for Anomaly Detection in Time Series -- An Evaluation
Orange Innovation(奥兰奇创新公司)
本文通过实验评估了使用tsfresh库进行无监督特征构建对时间序列异常检测的影响,发现新表示显著提升了孤立森林的性能。
2025-01-20 cs.LG
Evaluating Anomaly Detectors for Simulated Highly Imbalanced Industrial Classification Problems
Department of Computing and Software, McMaster University(计算与软件系,麦斯特大学);Center for Mechatronics and Hybrid Technologies, McMaster University(机电与混合技术中心,麦斯特大学)
本文评估了不同异常检测器在高度不平衡工业分类问题中的性能,发现最佳检测器依赖于训练数据中的故障示例数量,半监督和监督方法在特定条件下表现更优。
2026-01-14 cs.AI cs.LG
Multi-Class Anomaly Detection
Portland State University(波特兰州立大学)
我们研究异常检测的情况下,正常类由一个以上的对象类别。这是标准的一类异常检测问题的一个明显的推广。然而,我们表明,联合使用多个一类异常检测器来解决这个问题,产生较差的结果相比,训练一个单一的一类异常检测器的所有正常对象类别在一起。我们进一步开发了一个新的异常检测器DeepMAD,它通过利用多个正常对象类别来学习紧凑的区别特征。该算法实现了更高的AUC值为不同的数据集相比,两个顶级性能的一类算法,无论是在每个正常对象类别上训练或联合训练的所有正常对象类别组合。除了理论结果外,我们还使用CIFAR-10,fMNIST,CIFAR-100和我们开发的名为RECYCLE的新数据集提供了实证结果。
2022-11-29 cs.AI cs.LG
AD-MERCS: Modeling Normality and Abnormality in Unsupervised Anomaly Detection
KU Leuven(鲁汶大学);Leuven.AI - KU Leuven Institute for AI(鲁汶AI——鲁汶大学人工智能研究所)
本文提出无监督异常检测方法 AD-MERCS,通过同时识别实例空间中正常行为的模式子空间与表征异常偏离的条件,实现对正常与异常的双重建模,在多种异常类型上表现优异并提供可解释性。
2023-05-22 cs.LG
Large language models can be zero-shot anomaly detectors for time series?
MIT(麻省理工学院);IRD ESPACE-DEV(法国发展研究院ESPACE-DEV)
该研究提出基于大语言模型的时间序列异常检测框架sigllm,探究提示式与预测引导两种检测范式,经11个数据集验证,预测法表现更优,但仍落后于当前最优深度学习模型30%。
2024-10-31 cs.LG
Constrained Concealment Attacks against Reconstruction-based Anomaly Detectors in Industrial Control Systems
CISPA Helmholtz Center for Information Security(CISPA 信息安全亥姆霍兹中心);Saarland University(萨尔兰大学);Delft University of Technology(代尔夫特理工大学);Singapore University of Technology and Design(新加坡科技设计大学);Politecnico di Milano(米兰理工大学)
近年来,基于重构的异常检测技术被提出作为一种有效的检测动态工业控制网络中的攻击的技术。与观察网络流量的经典网络异常检测器不同,基于重建的检测器对测量的传感器数据进行操作,利用先验学习的物理过程模型。在这项工作中,我们研究了不同的方法来逃避先前的工作重建为基础的异常检测器通过操纵传感器数据,使攻击被隐藏。我们发现重放攻击(通常被认为是非常强大的)表现出很差的性能(即,增加警报的数量),因为特征之间的隐藏相关性不能很好地复制。为了解决这个问题,我们提出了两种新的攻击,操纵传感器读数的一个子集,利用系统的学习物理约束。我们的攻击具有两种不同的攻击者模型:白盒攻击者,它使用带有检测预言的优化方法,以及黑盒攻击者,它使用自动编码器将异常数据转换为正常数据。我们评估了我们在两个不同的数据集上的实现,从水分布域,显示检测器的召回从0.68下降到0.12,通过操纵WADI数据集中的82个传感器中的4个。此外,我们还证明了我们的黑盒攻击可以转移到不同的检测器上:它们可以对抗基于自动编码器、LSTM和CNN的检测器。最后,我们在一个真实的工业测试平台上实现并演示了我们的攻击,以实时展示其可行性。
2020-10-12 cs.CR cs.LG
Evaluating Real-time Anomaly Detection Algorithms - the Numenta Anomaly Benchmark
Numenta, Inc.(Numenta公司)
世界上的大部分数据都是流式的时间序列数据,其中异常在关键情况下提供了重要信息;在金融,IT,安全,医疗和能源等领域的例子比比皆是。然而,检测流数据中的异常是一项艰巨的任务,需要检测器实时的【形】处理数据,而不是批量处理数据,并在进行预测的同时进行学习。没有基准来充分测试和评分实时的【形】异常检测器的有效性。在这里,我们提出了Numenta Anomaly Benchmark(NAB),它试图提供一个受控的和可重复的开源工具环境,以测试和测量流数据上的异常检测算法。完美的检测器将尽快检测到所有异常,不会触发错误警报,处理各种领域的真实时间序列数据,并自动适应不断变化的统计数据。奖励这些特征在NAB中被正式化,使用为流数据设计的评分算法。NAB在具有标记的真实时间序列数据的基准数据集上评估检测器。我们提出了这些组件,并给出了几个开源的,商业使用的算法的结果和分析。NAB的目标是提供一个标准的开源框架,研究社区可以使用该框架比较和评估用于检测流数据中异常的不同算法。
2015-11-17 cs.AI cs.LG
Can LLMs Serve As Time Series Anomaly Detectors?
School of Computing, Macquarie University(麦考瑞大学计算学院);School of Computer Science, University of Technology Sydney(悉尼科技大学计算机科学学院)
本文研究GPT-4和LLaMA3能否检测并解释时间序列异常,发现直接使用不可行,但通过提示策略和合成数据集指令微调可显著提升其异常检测性能,展示出LLMs作为时间序列异常检测器的潜力。
2024-08-06 cs.AI cs.LG
A Meta-level Analysis of Online Anomaly Detectors
Univ. of Crete(克里特大学);Univ. Clermont Auvergne(克莱蒙奥弗涅大学);ENSEA(国立高等电子及应用工程师学院);SAP(思爱普)
实时检测流数据中的异常正在受到越来越多的关注,因为它允许我们发出警报,预测故障,并检测跨行业的入侵或威胁。然而,很少关注比较用于流数据的异常检测器的有效性和效率(即,在线算法)。在本文中,我们提出了一个定性的,综合的概述主要在线检测器从不同的算法家族(即,距离,密度,树或投影为基础),并强调其主要思想的建设,更新和测试检测模型。然后,我们提供了一个深入的分析结果的定量实验评估的在线检测算法以及他们的离线同行。检测器的行为与不同数据集的特性相关(即,元特征),从而提供对其性能的元级分析。我们的研究解决了文献中的几个缺失的见解,例如(a)检测器对随机分类器的可靠性如何,以及什么样的数据集特征使它们随机执行;(b)在线检测器在多大程度上接近离线检测器的性能;(c)检测器的草图策略和更新原语最适合检测仅在数据集的特征子空间内可见的异常;(d)属于不同算法家族的检测器的有效性和效率之间的权衡是什么;(e)数据集的哪些具体特征产生优于所有其他算法的在线算法。
2022-12-09 cs.AI cs.LG
Learning a Cross-modality Anomaly Detector for Remote Sensing Imagery
Wuhan University(武汉大学)
该研究将遥感异常检测的学习目标从变化背景分布转为一致偏差度量,提出像素级与特征级大间隔损失及异常模拟策略,实现五种遥感模态的零样本跨模态异常检测。
2024-09-10 cs.CV cs.LG eess.IV
DP-DGAD: A Generalist Dynamic Graph Anomaly Detector with Dynamic Prototypes
Department of Computing(计算系);The Hong Kong Polytechnic University(香港理工大学);Department of Computer Science(计算机科学系);City University of Hong Kong(城市大学);School of Software(软件学院);Beihang University(北航);University of Illinons at Chicago(伊利诺伊大学香槟分校)
针对通用动态图异常检测难捕捉演化异常、缺标注数据的问题,提出带动态原型的DP-DGAD模型,通过原型存储更新、异常评分与自监督适配,在10个跨域真实数据集上达SOTA性能。
2025-08-01 cs.LG
Active Anomaly Detection via Ensembles
Washington State University(华盛顿州立大学)
在异常检测的关键应用中,包括计算机安全和欺诈预防,异常检测器必须可由分析人员配置,以最大限度地减少误报。配置异常检测器的一个重要方法是为少数实例提供真实标签。我们研究了标签有效的主动学习自动调整异常检测集成的问题,并作出了四个主要贡献。首先,我们提出了一个重要的见解异常检测器合奏自然适合主动学习。这种见解使我们能够将贪婪查询策略与不确定性采样联系起来,并对标签效率产生影响。其次,我们提出了一种新的形式主义,称为紧凑的描述来描述所发现的异常,并表明它也可以用来提高多样性的实例呈现给分析师没有损失的异常发现率。第三,我们提出了一种新的数据漂移检测算法,不仅检测漂移鲁棒,而且还允许我们采取纠正措施,以适应检测器的原则性方式。第四,我们提出了广泛的实验,以评估我们的见解和算法在批处理和流设置。我们的研究结果表明,除了发现显着更多的异常比国家的最先进的无监督基线,我们的主动学习算法下的流数据设置与批量设置具有竞争力。
2018-09-17 cs.LG stat.ML
OIPR: Evaluation for Time-series Anomaly Detection Inspired by Operator Interest
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(网络与交换技术国家重点实验室,北京邮电大学)
OIPR提出了一种基于操作者兴趣的时间序列异常检测评估方法,通过区域指标平衡点和事件视角,提升复杂场景下的检测性能。
2025-12-09 cs.LG
How to pick the best anomaly detector?
Institute for Theoretical Particle Physics;Cosmology, RWTH Aachen University, D-52056 Aachen, Germany;Astronomy, Rutgers University, Piscataway, NJ 08854, USA
本文提出ARGOS度量标准,用于选择最敏感的异常检测模型,优于传统方法并在多种应用场景中表现出鲁棒性。
2026-01-26 cs.LG hep-ex hep-ph
Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector
Norwegian University of Science and Technology(挪威科技大学)
本文提出UoCAD-OH框架,通过离线优化Bi-LSTM的超参数并在在线阶段检测异常,在两个智能家居空气质量数据集上验证了优化超参数对无监督上下文异常检测性能的提升。
2025-01-25 cs.AI cs.LG
Adversarial Attacks and Mitigation for Anomaly Detectors of Cyber-Physical Systems
Singapore University of Technology and Design(新加坡科技设计大学);Zhejiang University(浙江大学);Singapore Management University(新加坡管理大学)
关键基础设施中的网络物理系统(CPS)所面临的威胁促使人们研究多种攻击检测机制,包括基于神经网络模型的异常检测器。异常检测器的有效性可以通过对它们进行攻击测试来评估,但很少考虑对抗性攻击者专门设计的噪声来欺骗它们。虽然对抗攻击在图像和音频等领域得到了成功应用,但由于存在其他内置防御机制(如规则检查器(或不变检查器)),因此在CPS中实现起来要困难得多。在这项工作中,我们提出了一个对抗攻击,同时逃避异常检测器和规则检查的CPS。受现有基于梯度的方法的启发,我们的对抗攻击在传感器和执行器值上制造噪声,然后使用遗传算法优化后者,确保神经网络和规则检查系统都被欺骗。我们在两个真实世界的关键基础设施测试平台上实现了我们的方法,成功地将其检测器的分类准确率平均降低了50%以上,同时避免规则检查器的检测。最后,我们探讨这些攻击是否可以通过在对抗样本上训练检测器来减轻。
2021-05-22 cs.AI cs.CR cs.LG
DiffGAD: A Diffusion-based Unsupervised Graph Anomaly Detector
University of Science and Technology of China(中国科学技术大学);New York University(纽约大学);China Academy of Electronics and Information Technology(中国电子科技集团公司电子科学研究院)
DiffGAD提出基于扩散的潜在空间学习范式,注入判别性内容并引入内容保留机制,在六个大规模数据集上显著提升无监督图异常检测性能。
2025-02-25 cs.AI cs.LG cs.SI
Foundation Visual Encoders Are Secretly Few-Shot Anomaly Detectors
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心);MVTec Software GmbH(MVTec软件有限公司)
本研究利用基础视觉编码器预训练学到的正常图像分布特征,提出基于非线性投影算子的少样本异常检测器FoundAD,在多类别检测上实现了参数量远低于现有方法的有竞争力性能,推动了少样本异常检测领域发展。
2025-10-02 cs.AI cs.CV cs.LG
A Bayesian Ensemble for Unsupervised Anomaly Detection
Columbia University(哥伦比亚大学);Facebook Data Engineering(Facebook数据工程)
无监督异常检测方法的缺点是数据是未标记的,这使得难以评估检测算法的最优性。包围学习在分类和聚类问题中表现出了出色的结果,但在离群点检测方面的研究并不多。现有的方法侧重于结合输出分数的各个检测器,但这导致输出,是不容易解释。在本文中,我们介绍了一个理论基础,结合个人检测器与贝叶斯分类器组合。后验分布不仅很容易被解释为异常的概率分布,而且检测器的偏差、方差和个体错误率都很容易获得。在实际数据集上的性能表明,在不同类型的时间序列数据中具有很高的准确性。
2016-10-24 cs.LG stat.ML
Adaptive Thresholding Heuristic for KPI Anomaly Detection
Ericsson(爱立信)
针对现有时间序列离群点检测不符合业务异常定义的问题,提出可结合任意分解方法与离群检测器的自适应阈值启发式方法ATH,在爱立信数据集上验证了其高效可扩展、适配性强的优势。
2023-08-21 cs.LG stat.ML
GeoTrackNet-A Maritime Anomaly Detector using Probabilistic Neural Network Representation of AIS Tracks and A Contrario Detection
IMT Atlantique(大西洋国立高等矿业电信学校);CLS: Collect Localisation Satellites(CLS:卫星定位数据收集公司)
表示海上交通模式并从中检测异常是船舶监测和海上态势感知的关键。我们提出了一种新的方法-称为GeoTrackNet -海事异常检测AIS数据流。我们的模型利用国家的最先进的神经网络计划学习AIS的轨迹和一个contrario检测的概率表示检测异常事件。神经网络提供了一种新的手段来捕获血管行为中的复杂和异质模式,而\textit{a contrario}检测器考虑了学习的分布可能是位置相关的这一事实。一个真正的AIS数据集,包括超过420万AIS消息的实验表明,与国家的最先进的计划相比,所提出的方法的相关性。
2021-02-08 cs.AI cs.LG stat.ML
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