本文针对图上的异常检测代表性论文做了讲解。

成为VIP会员查看完整内容
0
40

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。

来自Google Balaji Lakshminarayanan对深度学习异常检测做了细致讲解,值得关注!

成为VIP会员查看完整内容
0
18

在本教程中,我们旨在全面介绍专门为异常检测(深度异常检测)而设计的深度学习技术的进展。

深度学习在转换许多数据挖掘和机器学习任务方面取得了巨大的成功,但由于异常具有一些独特的特征,如罕见性、异质性、无限性以及收集大规模异常数据的高昂成本,目前流行的深度学习技术并不适用于异常检测。

通过本教程,读者将对该领域有一个系统的概述,了解目前最先进的12种不同类型的深度异常检测方法的主要要点、目标函数、基本假设、优缺点,并认识到其在不同领域的广泛适用性。我们还讨论了当前的深度异常检测方法可以从多个不同的角度解决和展望该领域的挑战。

任何对深度学习、异常/离群值/新奇检测、分布外检测、带有有限标记数据的表示学习以及自我监督表示学习感兴趣的读者,都会发现参加本教程非常有帮助。

金融、网络安全、医疗保健领域的研究人员和从业者也会发现该教程在实践中有帮助。

异常检测,几十年来一直是各个研究领域中一个持续而活跃的研究领域。但仍然有一些独特的问题、复杂性和挑战需要先进的方法。近年来,将深度学习应用于异常检测(即深度异常检测)已经成为关键方向。本文回顾了深度异常检测方法的研究进展,并对检测方法进行了分类,包括3个高级类别和11个细粒度类别。本文回顾了检测方法的主要intuitions、目标函数、基本假设、优势和劣势,并讨论了他们如何应对上述挑战。并且进一步讨论了一系列未来可能的机遇和应对挑战的新观点。

异常检测,又称离群值检测或新颖性检测,是指检测与大多数数据实例显著偏离的数据实例的过程。几十年来,异常探测一直是一个活跃的研究领域,早期的探测可以追溯到20世纪60年代的[52]。由于在风险管理、合规、安全、金融监控、健康和医疗风险、人工智能安全等广泛领域的需求和应用日益增长,异常检测在数据挖掘、机器学习、计算机视觉和统计等各个领域发挥着越来越重要的作用。近年来,深度学习在学习高维数据、时间数据、空间数据和图形数据等复杂数据的表达表示方面显示出了巨大的能力,推动了不同学习任务的边界。深度学习异常检测,简称深度异常检测,目的是通过神经网络学习特征表示或异常分数来进行异常检测。大量的深度异常检测方法已经被引入,在解决各种现实世界应用中具有挑战性的检测问题上,表现出比传统异常检测显著更好的性能。这项工作旨在对这一领域进行全面调研。我们首先讨论了异常检测的问题本质和主要的未解决的挑战,然后系统地回顾了当前的深度方法及其解决这些挑战的能力,最后提出了一些未来的机会。

成为VIP会员查看完整内容
0
114

近年来,随着web2.0的普及,使用图挖掘技术进行异常检测受到人们越来越多的关注.图异常检测在欺诈检测、入侵检测、虚假投票、僵尸粉丝分析等领域发挥着重要作用.本文在广泛调研国内外大量文献以及最新科研成果的基础上,按照数据表示形式将面向图的异常检测划分成静态图上的异常检测与动态图上的异常检测两大类,进一步按照异常类型将静态图上的异常分为孤立个体异常和群组异常检测两种类别,动态图上的异常分为孤立个体异常、群体异常以及事件异常三种类型.对每一类异常检测方法当前的研究进展加以介绍,对每种异常检测算法的基本思想、优缺点进行分析、对比,总结面向图的异常检测的关键技术、常用框架、应用领域、常用数据集以及性能评估方法,并对未来可能的发展趋势进行展望.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6100&flag=1

成为VIP会员查看完整内容
0
64

视频中的异常检测是一个研究了十多年的问题。这一领域因其广泛的适用性而引起了研究者的兴趣。正因为如此,多年来出现了一系列广泛的方法,这些方法从基于统计的方法到基于机器学习的方法。在这一领域已经进行了大量的综述,但本文着重介绍了使用深度学习进行异常检测领域的最新进展。深度学习已成功应用于人工智能的许多领域,如计算机视觉、自然语言处理等。然而,这项调查关注的是深度学习是如何改进的,并为视频异常检测领域提供了更多的见解。本文针对不同的深度学习方法提供了一个分类。此外,还讨论了常用的数据集以及常用的评价指标。然后,对最近的研究方法进行了综合讨论,以提供未来研究的方向和可能的领域。

https://arxiv.org/abs/2009.14146

成为VIP会员查看完整内容
0
53

来自深度学习数学夏季学校2020的第二节课:深度神经网络,介绍了深度学习历史、神经网络等知识点。

成为VIP会员查看完整内容
0
33

【导读】来自加州大学圣地亚哥分校《计算机视觉中的领域自适应》中生成式对抗网络GAN介绍

成为VIP会员查看完整内容
0
97

【导读】慕尼黑大学开设的《高级深度学习》技术课程,重点介绍计算机视觉的前沿深度学习技术。最新一期介绍了《生成式对抗网络》进展,讲述了GAN的知识体系,值得关注。

成为VIP会员查看完整内容
0
120
小贴士
相关VIP内容
专知会员服务
114+阅读 · 3月10日
专知会员服务
30+阅读 · 2020年11月30日
专知会员服务
64+阅读 · 2020年10月27日
专知会员服务
53+阅读 · 2020年9月30日
专知会员服务
33+阅读 · 2020年8月19日
专知会员服务
97+阅读 · 2020年6月28日
生成式对抗网络GAN异常检测
专知会员服务
73+阅读 · 2019年10月13日
相关论文
Forecasting: theory and practice
Fotios Petropoulos,Daniele Apiletti,Vassilios Assimakopoulos,Mohamed Zied Babai,Devon K. Barrow,Souhaib Ben Taieb,Christoph Bergmeir,Ricardo J. Bessa,Jakub Bijak,John E. Boylan,Jethro Browell,Claudio Carnevale,Jennifer L. Castle,Pasquale Cirillo,Michael P. Clements,Clara Cordeiro,Fernando Luiz Cyrino Oliveira,Shari De Baets,Alexander Dokumentov,Joanne Ellison,Piotr Fiszeder,Philip Hans Franses,David T. Frazier,Michael Gilliland,M. Sinan Gönül,Paul Goodwin,Luigi Grossi,Yael Grushka-Cockayne,Mariangela Guidolin,Massimo Guidolin,Ulrich Gunter,Xiaojia Guo,Renato Guseo,Nigel Harvey,David F. Hendry,Ross Hollyman,Tim Januschowski,Jooyoung Jeon,Victor Richmond R. Jose,Yanfei Kang,Anne B. Koehler,Stephan Kolassa,Nikolaos Kourentzes,Sonia Leva,Feng Li,Konstantia Litsiou,Spyros Makridakis,Gael M. Martin,Andrew B. Martinez,Sheik Meeran,Theodore Modis,Konstantinos Nikolopoulos,Dilek Önkal,Alessia Paccagnini,Anastasios Panagiotelis,Ioannis Panapakidis,Jose M. Pavía,Manuela Pedio,Diego J. Pedregal,Pierre Pinson,Patrícia Ramos,David E. Rapach,J. James Reade,Bahman Rostami-Tabar,Michał Rubaszek,Georgios Sermpinis,Han Lin Shang,Evangelos Spiliotis,Aris A. Syntetos,Priyanga Dilini Talagala,Thiyanga S. Talagala,Len Tashman,Dimitrios Thomakos,Thordis Thorarinsdottir,Ezio Todini,Juan Ramón Trapero Arenas,Xiaoqian Wang,Robert L. Winkler,Alisa Yusupova,Florian Ziel
0+阅读 · 10月22日
Zhangqiang Ming,Min Zhu,Xiaoyong Wei,Xiangkun Wang,Jiamin Zhu,Junlong Cheng,Yong Yang
0+阅读 · 10月16日
Wu Lin,Frank Nielsen,Mohammad Emtiyaz Khan,Mark Schmidt
0+阅读 · 10月15日
Yao Ma,Shilin Zhao,Weixiao Wang,Yaoman Li,Irwin King
16+阅读 · 9月28日
Lilapati Waikhom,Ripon Patgiri
52+阅读 · 8月24日
Yizeng Han,Gao Huang,Shiji Song,Le Yang,Honghui Wang,Yulin Wang
26+阅读 · 2月10日
Compression of Deep Learning Models for Text: A Survey
Manish Gupta,Puneet Agrawal
5+阅读 · 2020年8月12日
Tiantian Fang,Alexander G. Schwing
3+阅读 · 2019年10月31日
Graph Neural Networks: A Review of Methods and Applications
Jie Zhou,Ganqu Cui,Zhengyan Zhang,Cheng Yang,Zhiyuan Liu,Maosong Sun
67+阅读 · 2018年12月20日
dynnode2vec: Scalable Dynamic Network Embedding
Sedigheh Mahdavi,Shima Khoshraftar,Aijun An
9+阅读 · 2018年12月6日
Top