A Spatiotemporal Deep Learning Approach for Unsupervised Anomaly Detection in Cloud Systems

最新推荐文章于 2023-04-09 19:44:20 发布
最新推荐文章于 2023-04-09 19:44:20 发布
阅读量1k 收藏
点赞数
分类专栏： 论文阅读 时空
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_41831741/article/details/121869904
版权

深度学习 人工智能

《A Spatiotemporal Deep Learning Approach for Unsupervised Anomaly Detection in Cloud Systems》-2020-TNNLS-B类

背景
在这里插入图片描述
整体结构
在这里插入图片描述
GraphLSTM
在这里插入图片描述
训练过程和推理过程
在这里插入图片描述
异常评分
在这里插入图片描述
小结：
在这里插入图片描述

Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals-TKDE-A类-
熊熊小姐的博客
12-15 2384
a25-2021-TKDE(A类)-无监督-Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals-精度-基于预测和基于重构 代码链接：https://github.com/7fantasysz/MSCRED 引用库链接：https://pyod.readthedocs.io/en/stable/ 挑战： 由于时间序列数据中的时间成分，时空域异常检测变得更加复杂。传统的异常检测技术无法处理多变量时间序列信号，因为它们
（二十八：2021.01.10）MICCAI 2019 追踪之论文纲要（中）
Jojo论文基地
01-09 3429
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I Optical Imaging（光学影像） 概要 1.Enhancing OCT Signal by Fusion of GANs: Improving Statistical Power of Glaucoma Clinical Trials通过GAN融合增强OCT信号：提高青光眼临床试验的统计能力 2.A Deep Reinforcement Learning Framework for Frame-by-Fr
【时序异常检测翻译】1.DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
yy1158047452的博客
02-25 5341
DeepAnT：一种用于时间序列中无监督异常检测的深度学习方法 摘要 传统的基于距离和密度的异常检测技术无法检测流数据中常见的周期性和季节性点异常，在当前物联网时代，时间序列异常检测存在很大差距。为了解决这个问题，我们提出了一种新的基于深度学习的时间序列数据异常检测方法（DeepAnT），该方法同样适用于非流情况。DeepAnT能够检测范围广泛的异常，即时间序列数据中的点异常、上下文异常和不一致。与学习异常的异常检测方法不同，DeepAnT使用未标记的数据来捕获和学习用于预测时间序列正常行为的数据分布。De
异常检测论文翻译——A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
I'm not perfect, but I keep trying.
07-27 4108
原文链接：DeepAnT----A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series 摘要 传统的基于距离与维度的异常检测技术不能检测流数据中的具有周期性的点异常，这使得在物联网时代，时间序列异常检测存在着较大差距。为了解决这个问题，我们提出了一个新的基于深度学习的时间序列异常检测方法（Dee...
Flow Prediction in Spatio-Temporal Networks Based on Multitask Deep Learning 学习笔记
qq_39550159的博客
11-29 1767
Flow Prediction in Spatio-Temporal Networks Based on Multitask Deep Learning学习笔记论文简介背景问题定义模型框架边流量预测功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
整理研究方向（1）【未完成】
qq_35780315的博客
07-26 2554
整理从交通流量预测发展到其他方向的团队文章，并研究调研我们可以研究的方向
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
GNN在云服务异常检测上的应用（Graph-LSTM）
AI蜗牛车
03-06 3366
前言图神经网络（GNN）是一类基于深度学习的处理图域信息的方法。由于其较好的性能与可解释性，GNN最近已成为一种广泛应用的图分析方法。真实的云服务系统中，海量机器各种时序指标相互关联彼此影...
机器学习及深度学习技术在海洋科学方面的应用
qq_39917365的博客
03-29 9458
目前机器学习及深度学习技术在海洋科学方面的应用大概有以下几方面： （1）监测海洋生物多样性(Monitoring marine biodiversity) Bermant P C等人将机器学习技术运用到对抹香鲸生物声学的研究，利用卷积网络来构造回声定位点击检测器，旨在对抹香鲸声学数据生成的频谱图进行分类。实验结果展示点击检测器在对650个频谱图进行分类时达到了99.5％的准确度。[1] 。 为了解...
学习周报4/9
qq_45612705的博客
04-09 809
本周阅读文献《Improving LSTM hydrological modeling with spatiotemporal deep learning and multi-task learning: A case study of three mountainous areas on the Tibetan Plateau》，文章主要基于时空深度学习（DL）即将二维卷积神经网络（CNN）和LSTM耦合的水文模型，并在实际案例中测试所提出的模型，和LSTM模型及进行对比，发现所提出的模型在性能方面会好一
【深度学习论文翻译】Learning Spatiotemporal Features with 3D Convolutional Networks全文对照翻译
唐申庚的博客
11-04 6790
用3D卷积网络学习时空特征 摘要 We propose a simple, yet effective approach for spatiotemporal feature learning using deep 3-dimensional convolutional networks (3D ConvNets) trained on a large scale supervised vid...
时空图学习笔记：Structural-RNN: Deep Learning on Spatio-Temporal Graphs
zcsdn1996的博客
10-18 6114
论文链接：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Jain_Structural-RNN_Deep_Learning_CVPR_2016_paper.pdf 此为原创笔记，如需转载请注明 时空图和结构化RNN: st-graph and str...
异常检测时间序列_时间序列的无监督异常检测
weixin_26713521的博客
09-12 3745
To understand the normal behaviour of any flow on time axis and detect anomaly situations is one of the prominent fields in data driven studies. These studies are mostly conducted in unsupervised mann...
（五）Cross-dataset Time Series Anomaly Detection for Cloud Systems 云系统跨数据集时间序列异常检测
WangZixuan1111的博客
04-04 1527
本篇文章是发表于2019的USENIX会议上，文章目的对时间序列进行异常检测，用的迁移学习+主动学习的方式，对7个数据集进行实验。 （1）迁移学习，它将从标记的时间序列数据中学习到的常见异常行为迁移到大量的未标记数据集。通过迁移学习，可以利用数据集之间的共性，并减少目标数据集的标记工作。 （2）主动学习，通过在目标数据集中仅标记少量选定样本来提高检测性能。通过主动学习，具有特定特征的多样化数据可以...
可检测异常和不可检测异常_异常检测简介
weixin_26726011的博客
08-21 897
可检测异常和不可检测异常Have you ever thought about what happens when someone’s social media account, bank account or any other account/ profile get hacked? How do some systems automatically detect such activitie...
Graph Convolutional Adversarial Networks for Spatiotemporal Anomaly Detection
04-23
Graph Convolutional Adversarial Networks for Spatiotemporal Anomaly Detection is a research paper that proposes a new approach to detect anomalies in spatiotemporal data using graph convolutional ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值