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。
成为VIP会员查看完整内容
【百度提取码: xhen】Deep Learning for Anomaly Detection，180页ppt
相关内容
Arxiv
4+阅读 · 2019年7月4日
Arxiv
3+阅读 · 2018年12月13日
Arxiv
6+阅读 · 2018年7月19日
Arxiv
3+阅读 · 2018年3月4日
相关VIP内容
相关资讯
相关论文
Arxiv
4+阅读 · 2019年7月4日
Arxiv
3+阅读 · 2018年12月13日
Arxiv
6+阅读 · 2018年7月19日
Arxiv
3+阅读 · 2018年3月4日
微信扫码咨询专知VIP会员