【KDD2020-Tutorial】深度学习异常检测,180页ppt

2020 年 8 月 28 日 专知


异常检测已经得到了广泛的研究和应用。建立一个有效的异常检测系统需要研究者和开发者从嘈杂的数据中学习复杂的结构,识别动态异常模式,用有限的标签检测异常。与经典方法相比,近年来深度学习技术的进步极大地提高了异常检测的性能,并将异常检测扩展到广泛的应用领域。本教程将帮助读者全面理解各种应用领域中基于深度学习的异常检测技术。首先,我们概述了异常检测问题,介绍了在深度模型时代之前采用的方法,并列出了它们所面临的挑战。然后我们调查了最先进的深度学习模型,范围从构建块神经网络结构,如MLP, CNN,和LSTM,到更复杂的结构,如自动编码器,生成模型(VAE, GAN,基于流的模型),到深度单类检测模型,等等。此外,我们举例说明了迁移学习和强化学习等技术如何在异常检测问题中改善标签稀疏性问题,以及在实际中如何收集和充分利用用户标签。其次,我们讨论来自LinkedIn内外的真实世界用例。本教程最后讨论了未来的趋势。


https://sites.google.com/view/kdd2020deepeye/home



Part 1. Introduction (30 min)


    • 1.1. Overview of Anomaly Detection

    • 1.2. Anomaly Detection Application and Challenges

    • 1.3. Traditional Techniques and Motivation for Deep Learning

Part 2. Deep Learning for Anomaly Detection (90 min)


    • a. Integrated Semi-Supervised Learning

    • b. Data Augmentation and Transfer Learning

    • a. Deep One-Class Models (Deep OC)

    • b. AutoEncoder (AE)

    • c. Variational AutoEncoder (VAE)

    • d. Generative Adversarial Networks (VAE, GAN, Flow-based)

    • a. MultiLayer Perceptron (MLP)

    • b. Convolutional Neural Networks (CNN)

    • c. Recurrent Neural Networks (RNN)

    • 2.1. Basic Building Blocks

    • 2.2 Fundamental Model Structures Applied to Anomaly Detection Tasks

    • 2.3. Compensate for Sparse Labels

Part 3. Real-world Applications for Anomaly Detection (50 min)


    • Algorithms and Evaluation

    • System Architecture

    • Usability in Production

    • 3.1 Anomaly Detection for Autonomous Vehicle Development

    • 3.2 Anomaly Detection at LinkedIn

Part 4. Conclusion and Future Trends (10 min)



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“DLAD” 可以获取《【KDD2020-Tutorial】深度学习异常检测,180页ppt》专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
39

相关内容

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时,有趣性对象往往不是罕见对象,但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象,于是许多异常检测方法(特别是无监督的方法)将对此类数据失效,除非进行了合适的聚集。相反,聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下,无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集,并涉及到训练分类器(与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性)。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成的测试实例的可能性。
【PKDD2020教程】可解释人工智能XAI:算法到应用,200页ppt
专知会员服务
99+阅读 · 2020年10月13日
【RecSys2020干货教程】对抗机器学习推荐系统,186页ppt
专知会员服务
51+阅读 · 2020年10月10日
最新《深度学习视频异常检测》2020综述论文,21页pdf
专知会员服务
80+阅读 · 2020年9月30日
【KDD2020】图深度学习:基础、进展与应用,182页ppt
专知会员服务
133+阅读 · 2020年8月30日
【KDD2020】图神经网络:基础与应用,322页ppt
专知会员服务
75+阅读 · 2020年8月30日
【KDD2020教程】多模态网络表示学习
专知会员服务
128+阅读 · 2020年8月26日
专知会员服务
45+阅读 · 2020年8月23日
【MLSS2020】最新《深度学习基础》视频讲解,42页ppt
专知会员服务
46+阅读 · 2020年8月5日
ICLR 2020会议的16篇最佳深度学习论文
AINLP
5+阅读 · 2020年5月12日
异常检测论文大列表:方法、应用、综述
专知
125+阅读 · 2019年7月15日
深度学习在推荐系统中的应用及论文小结
专知
14+阅读 · 2019年7月8日
推荐|深度学习PyTorch的教程代码
全球人工智能
10+阅读 · 2017年10月8日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
ICML17 Seq2Seqtutorial精品资料分享
深度学习与NLP
5+阅读 · 2017年8月10日
Anomalous Instance Detection in Deep Learning: A Survey
Self-Attention Graph Pooling
Arxiv
13+阅读 · 2019年6月13日
Arxiv
5+阅读 · 2018年12月18日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
9+阅读 · 2018年5月22日
VIP会员
相关VIP内容
【PKDD2020教程】可解释人工智能XAI:算法到应用,200页ppt
专知会员服务
99+阅读 · 2020年10月13日
【RecSys2020干货教程】对抗机器学习推荐系统,186页ppt
专知会员服务
51+阅读 · 2020年10月10日
最新《深度学习视频异常检测》2020综述论文,21页pdf
专知会员服务
80+阅读 · 2020年9月30日
【KDD2020】图深度学习:基础、进展与应用,182页ppt
专知会员服务
133+阅读 · 2020年8月30日
【KDD2020】图神经网络:基础与应用,322页ppt
专知会员服务
75+阅读 · 2020年8月30日
【KDD2020教程】多模态网络表示学习
专知会员服务
128+阅读 · 2020年8月26日
专知会员服务
45+阅读 · 2020年8月23日
【MLSS2020】最新《深度学习基础》视频讲解,42页ppt
专知会员服务
46+阅读 · 2020年8月5日
Top
微信扫码咨询专知VIP会员