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
Context-Aware Trajectory Anomaly Detection
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
针对轨迹异常检测缺乏智能体与地理上下文的问题,提出由智能体 ID 和 POI 嵌入引导的上下文感知轨迹重建方法,并在两个城市验证其显著优于现有方法。
2024-10-24 cs.LG
LogTinyLLM: Tiny Large Language Models Based Contextual Log Anomaly Detection
Department of Mathematical Sciences, University of Texas at El Paso, El Paso, TX, USA SQC \& OR Unit, Indian Statistical Institute, Kolkata, India
本文提出基于LoRA和adapter的参数高效微调方法,利用小型LLMs在Thunderbird数据集上检测日志序列上下文异常,相比LogBert全量微调准确率提升18-19个百分点。
2025-07-15 cs.AI cs.CV cs.LG
Contextual and Seasonal LSTMs for Time Series Anomaly Detection
Zhejiang University(浙江大学);Huawei Technologies(华为技术有限公司);Zhejiang Key Laboratory of Decision Intelligence(浙江省决策智能重点实验室)
本文提出CS-LSTMs框架,通过结合上下文依赖和季节性模式,提升时间序列中细微异常的检测能力,并在基准数据集上验证了其有效性。
2026-02-10 cs.LG
G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring
University of Surrey(萨里大学)
基于传感器的远程健康监测用于工业、城市和医疗保健环境,以监测设备的持续运行和人体健康。一个重要的目标是在发现异常事件或不良健康状况时及早干预。在野外,这些异常检测方法受到噪声、标签稀缺性、高维性、可解释性和操作环境的广泛变化的挑战。上下文矩阵配置文件(CMP)是矩阵配置文件(MP)的可配置二维版本,它使用时间序列的所有连续性的距离矩阵来发现模式和异常。CMP被证明是提高MP和其他SOTA方法在检测,可视化和解释真正的异常在嘈杂的现实世界中的数据从不同的域的有效性。它擅长缩小和识别可配置时间尺度的时间模式。然而,CMP不解决跨传感器信息,并且不能缩放到高维数据。我们提出了一种新的,自我监督的基于图的时间异常检测方法,工作在从CMP距离矩阵生成的上下文图。学习的图嵌入对时间上下文的异常性质进行编码。此外,我们评估其他图离群算法相同的任务。假定我们的流水线是模块化的,则图构造、图嵌入的生成和模式识别逻辑都可以基于特定的模式检测应用来选择。我们验证了基于图的异常检测的有效性,并将其与CMP和3种最先进的方法在两个具有不同异常的真实医疗数据集上进行了比较。我们提出的方法表现出更好的召回率,警报率和泛化能力。
2022-11-29 cs.AI cs.LG
Context-Dependent Anomaly Detection for Low Altitude Traffic Surveillance
Aarhus University(奥胡斯大学)
背景异常的检测是一项具有挑战性的任务,因为在特定的环境背景下,观察可以被认为是异常的或正常的。无人驾驶飞行器(UAV)可以利用其空中监测能力并采用多个传感器来收集关于环境的上下文信息并执行上下文异常检测。在这项工作中,我们引入了一种基于深度神经网络的方法(CADNet)来发现点异常(即,单实例异常数据)和上下文异常(即,特定环境异常)。该方法是基于一个变分自编码器(VAE)与上下文子网络。上下文子网络使用GPS和时间数据提取关于环境的上下文信息,然后将其馈送到VAE以预测以上下文为条件的异常。据我们所知,我们的方法是第一个上下文异常检测方法的无人机辅助空中监视。我们评估我们的方法上的AU-AIR数据集在交通监控场景。对几个基线的定量比较表明,我们的方法在异常检测任务的优越性。代码和数据将在www.example.com上提供。
2021-04-14 cs.CV cs.LG
SetAD: Semi-Supervised Anomaly Learning in Contextual Sets
Beihang University(北京航空航天大学);Pengcheng Laboratory(鹏城实验室)
SetAD提出了一种基于集合的半监督异常检测框架,通过集合级建模和上下文校准机制提升异常检测性能。
2025-11-26 cs.LG
Contextual Learning for Anomaly Detection in Tabular Data
Amazon Web Services, Seattle, WA, USA(亚马逊网络服务,西雅图,WA,USA)
针对无监督表格异常检测中全局分布建模难以适配异质上下文的问题,本文提出上下文学习框架及配套条件Wasserstein自编码器模型,经8个基准数据集验证性能优于全局方法,为相关任务奠定新基础。
2025-11-18 cs.LG
Explaining Deep Learning-based Anomaly Detection in Energy Consumption Data by Focusing on Contextually Relevant Data
Western University(西安大略大学)
针对深度学习异常检测缺乏透明解释且SHAP类方法不稳定的问题,本文结合SHAP变体、全局特征重要性与加权余弦相似度,按异常上下文选择背景数据,在多模型、多数据集实验中将解释可变性平均降低约38%。
2025-01-10 cs.AI cs.LG
A Robust Autoencoder Ensemble-Based Approach for Anomaly Detection in Text
Sorbonne Université(索邦大学)
针对文本异常检测研究不足、未区分独立与上下文异常的问题,提出TAC文本异常污染机制和RoSAE鲁棒自编码器集成方法,在8个数据集上表现优于现有方法且鲁棒性更强。
2024-09-18 cs.CL cs.LG
Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction
MIT(麻省理工学院)
提出一种利用基于点和序列重建模型的无监督时间序列异常检测框架,通过整合标称性分数与异常分数推导出更优的诱导异常分数,在多个公共数据集上优于大多数最先进基线方法。
2023-10-24 cs.AI cs.LG
Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks
Eindhoven University of Technology(埃因霍温理工大学)
近年来,由于属性网络的异常检测问题在研究和实践中的重要性,引起了人们极大的兴趣。虽然已经提出了各种方法来解决这个问题,但存在两个主要限制:(1)由于缺乏监督信号,无监督方法通常效率低得多,以及(2)现有的异常检测方法仅使用本地上下文信息来检测异常节点,例如,一跳或两跳信息,但忽略全局上下文信息。由于异常节点与正常节点在结构和属性上存在差异,因此如果我们去除连接异常节点和正常节点的边,则直觉上异常节点与其邻居之间的距离应该大于正常节点与其邻居之间的距离。因此,基于全局和局部上下文信息的跳数可以用作异常的指示器。出于这种直觉,我们提出了一个基于跳数的模型(HCM),通过对本地和全局上下文信息进行建模来检测异常。为了更好地利用跳数进行异常识别,我们建议使用跳数预测作为一个自我监督的任务。我们设计了两个异常分数的基础上通过HCM模型的跳数预测来识别异常。此外,我们使用贝叶斯学习来训练HCM模型,以捕捉学习参数中的不确定性并避免过拟合。在真实属性网络上的大量实验表明,我们提出的模型是有效的异常检测。
2022-07-02 cs.LG cs.SI
GCTAM: Global and Contextual Truncated Affinity Combined Maximization Model For Unsupervised Graph Anomaly Detection
School of Software, Yunnan University, Kunming, China(云南大学软件学院,昆明,中国)
本文提出GCTAM模型,结合上下文和全局亲和力截断,提升无监督图异常检测效果。
2026-03-02 cs.GR cs.LG cs.SI
Anomaly Detection for High-Dimensional Data Using Large Deviations Principle
University at Buffalo(布法罗大学);Tufts University(塔夫茨大学)
当前的异常检测方法在处理高维数据时,大多数都存在维数灾难问题。我们提出了一个异常检测算法,可以扩展到高维数据使用的概念,从理论的大偏差。所提出的大偏差异常检测(LAD)算法表现出优于各种大型和高维基准数据集上的最先进的异常检测方法。利用该算法的能力,规模高维数据,我们提出了一个在线异常检测方法来识别异常的多元时间序列的集合。我们证明了在线算法在识别美国COVID-19相关病例和死亡异常趋势的县方面的适用性。数个已识别的异常县与记录在案的对COVID大流行应对不力的县相关。
2021-09-28 cs.LG stat.ML
Extended Histogram-based Outlier Score (EHBOS)
Okta(Okta公司)
针对HBOS因特征独立假设难以捕捉特征交互的问题,提出引入二维直方图的EHBOS方法,在17个基准数据集上验证其有效性,尤其在特征交互关键的数据集上ROC AUC提升显著,为异常检测提供新工具。
2025-09-03 cs.AI cs.LG stat.ML
Adaptive and Explainable AI Agents for Anomaly Detection in Critical IoT Infrastructure using LLM-Enhanced Contextual Reasoning
Northeastern University(东北大学);University of Southern California(南加州大学)
针对关键物联网系统传统异常检测方法在动态高维场景下的缺陷,提出结合LLM上下文推理与XAI智能体的方法,经多场景仿真验证,其准确率与可解释性均优于现有模型。
2025-10-04 cs.AI cs.LG
A Survey on Anomaly Detection for Technical Systems using LSTM Networks
University of Stuttgart(斯图加特大学)
异常表示与预期系统操作的偏差,并可能导致效率降低以及部分或全部系统故障。由于复杂的系统动力学,异常的原因往往是未知的,有效的异常检测是必要的。传统的检测方法依赖于统计和时不变的方法,无法解决异常的复杂性和动态性。随着人工智能的进步以及在各个领域中异常检测和预防的重要性的增加,人工神经网络方法使得能够在考虑时间和上下文特征的同时检测更复杂的异常类型。在这篇文章中,对使用深度神经网络,特别是长短期记忆网络的最新异常检测进行了调查。基于应用场景,数据和异常类型以及进一步的度量标准对所研究的方法进行评估。为了突出即将到来的异常检测技术的潜力,调查中还包括基于图和迁移学习方法,这些方法可以分析异构数据,弥补其不足并改善动态过程的处理。
2021-05-28 cs.AI cs.LG stat.ML
Localizing Global Discrepancies: Marginal Contributions and Contextual Anomaly Detection
该研究提出框架将重采样诊断等与事件级异常检测关联,推导不同统计量的定位规则,在LHC Olympics基准上验证成对估计量的高效性,还揭示上下文可提供跨事件依赖的额外类别信息。
2026-08-31 cs.LG physics.data-an stat.ML
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
LLM-Powered Text-Attributed Graph Anomaly Detection via Retrieval-Augmented Reasoning
University of Southern California(南加州大学);Capital One(第一资本金融公司);City College of New York(纽约城市学院);Brown University(布朗大学)
本文提出基于检索增强推理的LLM驱动文本属性图异常检测框架,通过生成语义连贯但上下文不一致的异常节点,提升异常检测效果。
2025-11-16 cs.AI cs.LG
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing
Singapore University of Technology and Design(新加坡科技设计大学);CNRS(法国国家科学研究中心);SAMOVAR(萨莫瓦实验室);Telecom Sud Paris(巴黎南部电信学院);Institut Mines-Telecom(矿业电信学院);Paris-Saclay University(巴黎萨克雷大学);Missouri University of Science and Technology(密苏里科技大学);Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院)
深度神经网络(DNN)的进步极大地支持了异常物联网数据的实时检测。然而,由于有限的计算能力和能源供应,物联网设备几乎无法负担复杂的DNN模型。虽然可以将异常检测任务卸载到云端,但当数千个物联网设备同时将数据流传输到云端时,会导致长时间延迟并需要大量带宽。在本文中,我们提出了一种自适应异常检测方法的层次边缘计算(HEC)系统来解决这个问题。具体来说,我们首先构建了三个复杂度不断增加的异常检测DNN模型,并将它们与HEC的三层从下到上相关联,即,物联网设备、边缘服务器和云。然后,我们设计了一个自适应的计划,选择一个模型的基础上提取的上下文信息的输入数据,执行异常检测。该选择被制定为一个上下文的强盗问题,其特征在于由一个单步马尔可夫决策过程,同时实现高检测精度和低检测延迟的目标。我们使用真实的物联网数据集评估了我们提出的方法,并证明与将检测任务卸载到云端相比,它将检测延迟降低了84%,同时保持了几乎相同的准确性。此外,我们的评估还表明,它优于其他基线计划。
2020-01-10 cs.LG cs.NI stat.ML
Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection
CSU(中国科学技术大学);UST(香港大学)
提出SignGAD框架,通过自设计任务条件检测工作流替代固定检测器,结合图编码与检测器选择及受保护重拟合策略,提升少样本图异常检测的适应性与可靠性。
2026-05-26 cs.AI cs.LG
When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series
Department of Artificial Intelligence, Kyung Hee University, Yongin, Republic of Korea(韩国成均馆大学人工智能系);Department of Artificial Intelligence, Korea University, Seoul, Republic of Korea(韩国大学人工智能系)
针对时间序列异常预测任务,提出A2P框架,通过异常关系学习与异常提示池模拟,实现对未来异常时间点的精确预测,优于现有方法。
2025-06-30 cs.AI cs.LG
Interpretable Anomaly Detection with Mondrian P{ó}lya Forests on Data Streams
University of Warwick(华威大学);University of Cambridge(剑桥大学);Amazon(亚马逊)
大规模异常检测是一个极具挑战性和实用性的问题。当数据很大且高维时,很难检测出哪些观测结果不符合预期行为。最近的工作已经结合了(随机)$k$ \emph{d-trees}的变化,以总结异常检测的数据。然而,这些方法依赖于不容易解释的ad-hoc评分函数,使得难以评估检测到的异常的严重性或在没有标记的异常的情况下选择合理的阈值。为了解决这些问题,我们将这些方法置于一个概率框架中,我们称之为蒙德里安\Polya{}森林,用于估计生成数据的潜在概率密度函数,并使其比以前的工作具有更大的可解释性。此外,我们开发了一个内存效率的变种,能够在现代流媒体环境中运行。我们的实验表明,这些方法实现了最先进的性能,同时提供统计上可解释的异常分数。
2020-08-04 cs.LG stat.ML
Foundation Models and Transformers for Anomaly Detection: A Survey
U2IS Lab ENSTA Paris(ENSTA巴黎大学U2IS实验室);SafranTech(萨弗兰技术);INRIA Saclay(INRIA萨克利实验室)
本综述系统梳理了Transformer和基础模型在视觉异常检测中的应用,按重建、特征和零/少样本三类方法归纳其如何通过全局感受野、注意力机制和大规模预训练解决长程依赖、上下文建模与数据稀缺问题,并总结了最新技术的优势、局限与发展趋势。
2025-07-21 cs.AI cs.LG
Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling
LMU Munich(慕尼黑大学);Fraunhofer AISEC(弗劳恩霍夫应用安全研究所)
针对量子单类支持向量机处理大型数据集时的二次时间复杂度问题,结合量子随机测量核、可变子采样与旋转特征装袋,实现了数据和特征维度的双重线性复杂度,并显著提升了性能与训练测试速度。
2024-07-30 cs.AI cs.LG quant-ph
ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection
University of Montreal(蒙特利尔大学);Université de Montréal(蒙特利尔大学)
提出ASTER框架,在潜在空间生成伪异常训练Transformer分类器,结合预训练LLM增强表示,在三个基准数据集上达到最优性能。
2026-06-12 cs.AI cs.CV cs.LG
Unsupervised Anomaly Detection in ALS EPICS Event Logs
本文为ALS的EPICS控制系统提出一种无监督异常检测框架,通过语义嵌入和序列感知神经网络对实时事件日志进行异常评分,帮助操作员快速识别系统故障前的关键事件序列。
2025-09-17 cs.LG
Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs
EPFL(洛桑联邦理工学院);Huawei Technologies(华为技术有限公司)
本文提出连续时间动态图中链路级异常检测的细粒度分类体系、类型化异常注入与动态图生成方法,并通过扩展链路预测设置和基准实验验证了不同学习方法在检测各类异常上的差异与有效性。
2024-09-28 cs.AI cs.CR cs.LG
Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Paul Wurth S.A(保罗·沃思公司);Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau(莱茵河-巴尔夫技术大学凯撒斯劳滕-兰道)
提出一种条件归因框架,通过检索与异常观测上下文相似的正态实例进行依赖保持的解释,结合变分自编码器和UMAP流形嵌入实现高维时间序列的高效归因,并在SWaT和MSDS基准上提升了根因识别准确率与鲁棒性。
2026-06-17 cs.LG
Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection
Henan University(河南大学);University of Electronic Science and Technology of China(电子科技大学);Iowa State University(爱荷华州立大学)
针对图级异常检测,提出MotifCAR方法,融合基序与上下文子图生成反事实图,并利用GAN优化器及多种损失约束满足真实性、有效性、邻近性和稀疏性,提升检测性能。
2024-07-18 cs.LG cs.SI
MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection
LeapMind Inc.(LeapMind公司)
图像中的异常发生在各种尺度上,从地毯上的一个小洞到一个大污点。然而,基于稀疏编码的异常检测是广泛使用的异常检测方法之一,在处理超出用于稀疏表示图像的补丁大小的异常时存在问题。如果在小尺度下观察到大的异常,则可以认为是正常的,但是不容易确定适用于所有图像的单个尺度(斑块大小)。然后,我们提出将多尺度特征结合到稀疏编码中,提高异常检测的性能。多层特征稀疏编码(MLF-SC)方法采用神经网络进行特征提取,并对网络中间层的特征图进行稀疏编码,而标准的基于稀疏编码的异常检测方法直接对给定图像进行检测。我们表明,MLF-SC优于最先进的异常检测方法,包括采用深度学习的方法。我们的目标数据是MVTec异常检测(MVTec AD)数据集的纹理类别,该数据集是由来自真实世界的图像组成的现代基准数据集。我们的想法可以是处理实际数据的简单而实用的选择。
2021-04-09 cs.CV cs.LG
AXIS: Explainable Time Series Anomaly Detection with Large Language Models
Huawei(华为)
针对时间转文本序列化缺乏上下文锚定和表示对齐的问题,提出AXIS框架,通过三种互补提示条件控制冻结LLM实现细致时间序列理解,还引入新评估基准,实验表明其解释质量更高且检测精度具竞争力。
2025-11-11 cs.LG
Anomaly Detection and Early Warning Mechanism for Intelligent Monitoring Systems in Multi-Cloud Environments Based on LLM
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对多云环境智能监控的安全可靠需求,提出融合LLM上下文理解、多级特征提取与传统机器学习的异常检测预警机制,提升检测准确性、实时性及云基础设施弹性。
2025-06-09 cs.AI cs.LG
Segmented Confidence Sequences and Multi-Scale Adaptive Confidence Segments for Anomaly Detection in Nonstationary Time Series
NVIDIA;DGXC Applied AI Lab(DGXC应用人工智能实验室)
针对非平稳时间序列中传统静态阈值易失效的问题,提出两种基于统计在线学习的自适应阈值框架SCS和MACS,在保持误报率的同时显著提升了异常检测的F1分数。
2025-08-08 cs.AI 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
Conditional Compatibility Learning for Context-Dependent Anomaly Detection
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));RPTU Kaiserslautern(科布伦茨-莱茵威达大学(RPTU)基尔伯恩)
本文提出条件兼容学习框架,用于解决上下文依赖异常检测问题,通过CC-CLIP模型实现对主体与上下文的解耦表示,取得最佳性能。
2026-05-13 cs.CV cs.LG
The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection
University College Dublin(都柏林大学学院)
异常检测在机器学习中是一个具有挑战性的问题,当处理在没有一组表现良好的工程特征的低级别原始数据表示中捕获的实例时,异常检测就更是如此。径向基函数数据描述符(RBFDD)网络是异常检测的有效解决方案,然而,它是一个浅层模型,不能有效地处理原始数据表示。本文研究了修改RBFDD网络的方法,将其转换为适合于低级别原始数据表示的异常检测问题的深层单类分类器。我们发现,基于迁移学习的方法是无效的,我们的研究结果表明,这是因为通用分类模型学习的潜在表示不适合异常检测。相反,我们证明了在RBF层之前添加多个卷积层以形成深度径向基函数数据描述符(D-RBFDD)网络的方法是非常有效的。这在一组使用从公开可用的图像分类数据集创建的多个异常检测场景的评估实验中示出,以及在心电图(ECG)数据中检测到不同类型的心律失常的真实世界异常检测数据集。我们的实验表明,D-RBFDD网络在图像数据集上的表现优于最先进的异常检测方法,包括深度支持向量数据描述符(Deep SVDD),一类SVM和隔离森林,并对ECG数据集产生有竞争力的结果。
2021-01-29 cs.LG
MORA: Modeling Observed Changes for Drift-Robust Time-Series Anomaly Detection
Beihang University(北京航空航天大学);Beihang Hangzhou Innovation Institute(北航杭州创新研究院);China University of Geosciences (Beijing)(中国地质大学(北京))
MORA通过从短期和长期视角重建局部目标来区分时间序列中的漂移与异常,无需漂移注释,在四个基准上实现了对非平稳性的鲁棒性和对真实异常的敏感性。
2026-10-08 cs.AI cs.LG
AGAD: Adversarial Generative Anomaly Detection
NEC Laboratories China(NEC中国研究院)
提出AGAD,一种基于自对比的异常检测范式,通过从正常样本生成上下文对抗信息来生成伪异常数据,在监督和半监督场景下显著提升检测性能,且仅需不超过5%的异常训练数据。
2023-04-09 cs.CV cs.LG
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
Anomaly Detection with Machine Learning Algorithms in Large-Scale Power Grids
School of Engineering, University of Applied Sciences of Western Switzerland HES-SO(西瑞士应用科学大学工程学院);Department of Quantum Matter Physics, University of Geneva(日内瓦大学量子物质物理系);Andlinger Center for Energy and the Environment, Princeton University(普林斯顿大学能源与环境中心)
本研究利用机器学习算法在大规模高压电力电网中检测异常,发现神经网络表现优异,且无监督学习在多重异常情况下具有鲁棒性。
2026-02-11 cs.LG cs.SY eess.SY
CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
East China Normal University(东华大学);Shandong Inspur Database Technology Co., Ltd.(山东 Inspur 数据库技术有限公司)
CrossAD提出跨尺度重构与查询库机制,显式建模跨尺度关联并融入全局多尺度上下文,突破固定窗口限制,在多个真实数据集上以九种指标达到最先进异常检测性能。
2025-10-14 cs.LG stat.ML
An Efficient Anomaly Detection Approach using Cube Sampling with Streaming Data
IIT Indore(印度理工学院印多尔分校)
异常检测在入侵检测、健康监测、故障诊断、传感器网络事件检测等领域都有着重要的应用。隔离森林(或iForest)方法是用于检测异常的众所周知的技术。然而,当处理动态流数据时,它是无效的,这在当今各种各样的应用领域中变得越来越普遍。在这项工作中,我们提出了一个有效的基于iForest的方法,使用立方体采样,是有效的流数据的异常检测扩展我们以前的工作。在初始阶段使用立方体抽样来选择接近平衡的样本,在保持效率的同时显著降低存储要求。在此之后,通过滑动窗口技术来解决数据的流性质,该技术生成连续的数据块以进行系统处理。本文的创新之处在于在iForest中应用Cube抽样并计算包含概率。所提出的方法在检测异常方面与现有的最先进的方法同样成功,需要显著更少的存储和时间复杂度。我们使用标准数据集对所提出的方法进行了实证评估,并证明它在ROC曲线下面积(AUC-ROC)方面优于传统方法,并且可以处理高维流数据。
2021-10-05 cs.LG
Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection
Scania CV AB(斯堪尼亚汽车公司);KTH Royal Institute of Technology(瑞典皇家理工学院);RISE Research Institutes of Sweden(瑞典RISE研究院);Linköping University(林雪平大学)
针对自编码器时间序列异常检测不透明的问题,本文结合特征选择与基于梯度的反事实解释,在 SKAB 和工业数据集上验证其可产生更稀疏且有效的决策解释。
2025-01-03 cs.LG
Bagged Regularized $k$-Distances for Anomaly Detection
Hong Kong Research Institute Contemporary Amperex Technology (Hong Kong) Limited(香港研究机构Contemporary Amperex Technology (Hong Kong) Limited)
针对无监督异常检测中距离类方法对近邻数超参数敏感的问题,提出袋装正则化k-距离算法BRDAD,通过凸优化选权重,兼具理论收敛保证与更优的实际性能及效率。
2025-08-01 cs.LG math.ST stat.ML
Multi-Level Anomaly Detection on Time-Varying Graph Data
Oak Ridge National Laboratory(橡树岭国家实验室);North Carolina State University(北卡罗来纳州立大学)
这项工作提出了一种新的建模和分析框架的图形序列,解决了检测和上下文的异常标记,流图数据的挑战。我们引入了Seshadhri等人的BTER模型的推广。通过增加社区结构的灵活性,并使用该模型进行多尺度图异常检测。具体来说,描述粗糙子图的概率模型是通过在更精细的级别上聚合概率来构建的,这些密切相关的分层模型同时检测与预期的偏差。这种技术提供了对图的结构和内部上下文的洞察,可以揭示检测到的事件。此外,这种多尺度分析通过允许用户将焦点从异常图缩小到导致异常的特定子图或节点来促进直观的可视化。为了进行评估,两个层次的异常检测器进行了测试,对一系列的采样图的基线高斯方法。我们证明了我们的基于图几何学的方法在具有社区结构的标记设置中优于基于分布的检测器和基线,并且它在节点,子图和图形级别准确地检测合成和真实世界数据集中的异常。为了说明通过这种技术可能的信息的可访问性,异常检测器和相关的交互式可视化工具在NCAA足球数据上进行了测试,其中在联赛中移动的球队和会议被识别为具有完美的召回率,并且精度大于0.786。
2015-04-20 cs.LG cs.SI stat.ML
The Long Tail of Context: Does it Exist and Matter?
Temple University(天普大学);Sber(俄罗斯联邦储蓄银行);New York University(纽约大学)
背景在过去的二十年里一直是推荐系统中的一个重要课题。上下文的标准表示方法假设上下文变量及其结构在应用程序中是已知的。大多数先前的CARS论文遵循代表性方法,手动选择并考虑应用程序中的几个关键上下文变量,例如时间,位置和人的公司。当各种基于CARS的方法被部署在许多应用中时,这项先前的工作证明了显着的推荐性能改进。然而,一些推荐系统应用程序处理更大和更广泛类型的上下文,并且手动识别和捕获一些上下文变量在这种情况下是不够的。在本文中,我们研究这种“上下文丰富”的应用程序处理大量不同类型的上下文。我们证明,只支持几个最重要的上下文变量,虽然有用,是不够的。在我们的研究中,我们专注于应用程序,建议各种银行产品的商业客户的背景下,客户服务代表发起的对话。在这个应用程序中,我们设法识别了200多种上下文变量。根据重要性对这些变量进行排序形成了上下文长尾(Long Tail of Context,LTC)。在本文中,我们经验证明,LTC的事项,并使用所有这些上下文变量从长尾导致显着改善推荐性能。
2022-10-03 cs.IR cs.LG
Online Conformal Anomaly Detection with Prediction-Powered Data Acquisition
King’s Communications, Learning & Information Processing (KCLIP) lab within the Centre for Intelligent Information Processing Systems (CIIPS), Department of Engineering, King’s College London(伦敦国王学院工程系智能信息处理系统中心(CIIPS)通信、学习与信息处理实验室(KCLIP))
本研究提出C-PP-COAD框架,通过结合合成与真实校准数据,在保证错误发现率控制的同时,降低在线异常检测对真实校准数据的依赖,经多类数据集验证有效。
2026-08-20 cs.IT cs.LG math.IT
Video Anomaly Detection Using Pre-Trained Deep Convolutional Neural Nets and Context Mining
NSF Center for Cloud and Autonomic Computing(NSF云与自主计算中心);Department of Computer Science(计算机科学系);The University of Arizona(亚利桑那大学);The University of North Texas(北得克萨斯大学)
异常检测对于智能监控系统及时检测任何恶意活动至关重要。许多使用深度学习方法的视频异常检测方法关注具有固定场景的单个摄像机视频流。这些深度学习方法使用具有大复杂度的大规模训练数据。作为一种解决方案,在本文中,我们展示了如何使用预训练的卷积神经网络模型来执行特征提取和上下文挖掘,然后使用具有相对较低模型复杂度的去噪自动编码器来提供高效准确的监视异常检测,这对于物联网(IoT)边缘设备等资源受限的设备非常有用。我们的异常检测模型根据从选定的嵌入式计算机视觉模型(如对象分类和目标检测)中获得的高级特征做出决策。此外,我们从高层次的功能,以进一步提高我们的视频异常检测方法的性能得到上下文属性。我们使用两个UCSD数据集来证明我们的方法具有相对较低的模型复杂度,可以实现与最先进的方法相比相当的性能。
2020-10-06 cs.CV cs.LG
Beyond Window-Based Detection: A Graph-Centric Framework for Discrete Log Anomaly Detection
Sino-German Joint Software Institute, Beihang University(北京航空航天大学中德软件学院)
针对传统窗口方法在日志异常检测中的上下文偏差与定位模糊问题,提出图中心框架TempoLog,利用多尺度时序图网络直接构建动态图,实现事件级异常检测,在公共数据集上达到最先进性能。
2025-01-21 cs.LG cs.SE
Big data analysis and distributed deep learning for next-generation intrusion detection system optimization
随着信息技术在所有生活领域的日益广泛使用,黑客行为的负面影响比以往任何时候都要大。此外,随着技术的发展,攻击数量每隔几个月就会呈指数级增长,并且变得更加复杂,因此传统的IDS检测它们变得效率低下。本文提出了一种解决方案,不仅可以检测新的威胁,具有更高的检测率和更低的误报率比已经使用的IDS,但它也可以检测集体和上下文的安全攻击。我们通过使用Networking Chatbot来实现这些结果,这是一种深度递归神经网络:Apache Spark Framework之上的长短期记忆(LSTM),其输入是流量和流量聚合,输出是两个词的语言,正常或异常。我们建议合并语言处理、上下文分析、分布式深度学习、大数据、流分析的异常检测等概念。我们提出了一个模型,它描述了网络抽象的正常行为,从一个序列的数百万个数据包在他们的上下文中,并分析他们在近实时检测点,集体和上下文异常。在MAWI数据集上进行了实验,实验结果表明,该方法不仅比特征入侵检测系统有更好的检测率,而且比传统的异常入侵检测系统有更好的检测率。实验结果表明,该方法具有较低的误报率、较高的检测率和较好的点异常检测效果。对于上下文和集体异常检测的证明,我们讨论了我们的主张和我们假设背后的原因。但由于硬件限制,实验是在数据集的随机小子集上进行的,因此我们分享实验和我们未来的视觉想法,因为我们希望未来有比我们更好的硬件基础设施的其他感兴趣的研究人…
2022-09-28 cs.AI cs.CR cs.DC
Time and Frequency Domain-based Anomaly Detection in Smart Meter Data for Distribution Network Studies
University of Zagreb Faculty of Electrical Engineering and Computing(Zagreb大学电子工程与计算学院)
针对智能电表数据质量差的问题,提出结合孤立森林与快速傅里叶变换的时频域异常检测框架,有效识别点异常和上下文异常,保障配电网分析准确性。
2025-04-25 cs.AI cs.LG cs.SY
TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection
School of Computing and Information Systems(计算与信息系);Singapore Management University(新加坡管理大学);Chongqing Institute of Green and Intelligent Technology(绿色与智能技术研究所);University of Chinese Academy of Sciences(中国科学院大学);State Information Center(信息中心)
TimeRadar通过分数时间-频率域旋转和FTFRecon组件实现跨不同数据集的通用时间序列异常检测。
2026-02-22 cs.LG