- 博客(47)
- 收藏
- 关注
RSS订阅
原创 SimAD 解读 — SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection
简单高效的、基于相异性的时序异常检测框架 SimAD，非常扎实的无监督时序异常检测工作！
2025-03-12 19:50:04
559
4
原创 Unsuperised Model Selection For Time Series Anomaly Detection 解读
ICLR 2023 的 Spotlight 工作，着重探讨了在 TSAD 无监督背景下进行有效的模型选择。
2025-02-17 11:25:59
1028
原创 Time - Series Anomaly Detection: Overview and New Trends 解读
简要介绍 TSAD 这一领域，给出了部分有价值的结论及论点，较好的入门教程。
2025-02-11 10:56:21
550
原创 PatchTST：通道独立的、切片的 时序 Transformer
PatchTST — 通道独立的、切片的 时序 Transformer，回应 DLinear (AAAI 2023) 对 transformer 架构的质疑及挑战。
2025-01-12 21:15:35
607
原创 Catch 解读
ICLR 2025 目前结果未定的高分论文：Catch — 频域内作 patching 操作，并引入通道独立及通道耦合的中间状态机制，2025年的第一个 sota 工作！
2025-01-08 16:53:57
1167
原创 PCRTA 解读
基于核心思想：异常数据更可能在微扰后被错误分类，少有的基于密度、空间分布的 TSAD 方法，启示研究者们建立更多关于 TSAD 的有效假设，而非一味堆砌结构，难得的好文章。
2024-11-15 15:08:20
553
原创 二维表示的 Time Analysis 框架 — TimesNet
提出：二维表示的 Time Analysis 框架 — TimesNet，探索视觉及卷积技术在通用时间序列任务上的可能性。
2024-11-03 11:57:08
1297
原创 CutAddPaste 解读
CutAddPaste 采用先进的五类数据增强策略，尽可能多地利用异常先验知识以生成伪异常，是一类最新的基于 “异常假设” 的 AD 方法。
2024-09-05 16:53:51
595
原创 Position: Quo Vadis, Unsupervised Time Series Anomaly Detection? 解读
在时序异常检测领域，简单有效的模型范式 可能在性能上打败 复杂先进的深度学习方法？
2024-08-15 20:30:22
395
原创 VUS —— 新的 “时序异常” 评估指标
VUS —— 介绍一种新的 “时序异常” 评估指标。（基于 “Range - AUC - ROC” 改进，引入 buffer 的概念，尽可能消除 buffer 长度 及 异常分数阈值 的影响）
2024-03-16 23:21:18
735
原创 Anomaly Transformer 解读
提出 “temporal association (series - association)” 建模时序结构，并引入“高斯核” 的 “prior - association”，通过二者间对比，从而捕获时序异常信息。
2024-03-05 15:46:01
367
原创 综述：Definitions and Benchmarks
重新审视时序异常检测领域的 Definitions 及 Benchmarks，提出了 “Pattern-wise Outliers” 的细分概念，并对时序数据重新建模，贡献了几十个明确异常类型的合成数据集。
2024-03-05 14:10:16
463
原创 Cuda 环境配置（windows下）
深度学习开发环境配置：cuda 配置；并解决报错：AssertionError: Torch not compiled with CUDA enabled 及 RuntimeError: CUDA error: invalid device ordinal。
2024-03-03 15:15:59
1003
1
原创 DW 《机器学习》
以西瓜书 + 南瓜书为主线，通过讲解视频教程边学，边看书以及边记笔记的方式，既掌握各种公式的推导过程，又能掌握机器学习中有监督学习算法的大致思路和流程。
2024-01-15 21:15:24
838
1
原创 USAD 解读
USAD 的自动编码器结构使其能以无监督方式学习、对抗性训练及其架构的使用允许其在提供快速训练的同时隔离异常。改良了 GAN 训练时的模式崩溃与不收敛。
2023-12-12 15:47:25
353
原创 COUTA 解读
时间序列异常检测着眼于设计先进的神经网络、新的重建/预测学习目标，尽可能准确地学习数据的正常分布，但该单分类任务却容易被 “异常污染” 欺骗。
2023-12-02 20:35:04
1648
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人