【时序异常检测翻译】2.MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial

最新推荐文章于 2023-01-12 13:21:25 发布

我像风一样自由~

最新推荐文章于 2023-01-12 13:21:25 发布

阅读量411

点赞数

文章标签：时序模型

原文链接：https://blog.youkuaiyun.com/zn0412/article/details/118931424

版权

转自@今天也是菜醒的一天

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

我像风一样自由~

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

GAN omaly： Anomaly Detection using GANs

AI天才研究院

07-31

2136

随着机器学习和深度学习在图像、文本、音频等领域的广泛应用，越来越多的人开始关注数据质量问题，如何发现并移除异常数据的处理方法成为一个重要课题。传统的数据质量检测方法如PCA分析法或独立同分布（IDD）检验方法已有一定研究，但仍存在着一些缺陷。例如，无法捕获多维特征之间的复杂相互关系；只能检测出明显的异常点，对噪声很敏感且易受干扰；无法有效区分正常样本与异常样本，无法识别不同分布的异常样本。

Diffusion异常检测相关论文及代码整理

sexy19910923的博客

11-26

2348

扩散模型（Diffusion Models）是一种生成模型，广泛用于图像生成、文本生成等领域。在异常检测任务中，扩散模型也可以被用来识别和检测异常数据点。该文章对近几年利用扩散模型进行异常检测的文章进行了整理

参与评论您还未登录，请先登录后发表或查看评论

（四）MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

WangZixuan1111的博客

03-25

8946

本篇论文“MAD-GAN：利用GAN对时间序列数据进行多元异常检测”，发表于2019ICANN上，文章主要围绕”异常检测+多元时间序列+网络入侵+GAN“展开，以下是我这几天阅读该篇文章的收获，其中，模型及结构我自己做了一个动画版，动画版我用了很久的时间去理顺作者的思想做出来的，能够更直观明确地表现出该模型的流程，但是我还不太清楚怎么怎么将动画展示在博客中，后期如果学会我会及时更新，如果有小伙伴着...

MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

baidu_41586315的博客

05-19

1880

MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks 文章目录MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks一、引言1.背景2.论文贡献二、使用步骤1.引入库2.读入数据总结一、引言 1.背景现实世界中的信息物理融

【论文分享】MAD-GAN ：基于生成对抗网络的时间序列数据多元异常检测

zn0412的博客

07-23

1万+

2019年ICANN文章无监督学习摘要网络化传感器和执行器在许多现实系统中的普及，例如智能系统建筑物、工厂、发电厂和数据中心为这些系统生成大量的多元时间序列数据。许多这样的网络物理系统（cps）是为关键任务而设计的，因此是网络攻击的目标。丰富的传感器数据可以通过异常检测持续监控入侵事件。然而，由于这些系统的动态复杂性，传统的基于阈值的异常检测方法是不够的，而有监督的机器学习方法由于缺乏标记数据而无法利用

Multivariate Time-series Anomaly Detection viaGraph Attention Network

小蚂蚁与大象

08-12

1057

该方法将每个单变量时间序列视为一个单独的特征，并试图显式地建模不同特征之间的相关性，同时对每个时间序列内的时间依赖性进行建模。面向特征的图关注层捕捉多个特征之间的因果关系，面向时间的图关注层强调沿时间维度的依赖关系。此外，我们联合训练了一个基于预测的模型和一个基于重构的模型，以更好地表示时间序列数据。损失函数定义为两个优化目标的和，即loss = Lossfor + Lossrec，其中Lossfor为基于预测模型的损失函数，Lossrec为基于重构模型的损失函数。通过广泛的实验证明了该模型的有效性。...

PyCharm使用异常的解决办法2020-12-22

qq_44872440的博客

02-28

3662

针对python的路径更改（python位置以及路径名称的变化）所造成的问题一、PyCharm使用异常因为python的位置变化，会导致PyCharm对python的关联失效，当更改PyCharm中python的路径为正确路径后，当在PyCharm中安装库文件仍会失败，原因的pip需要重新安装，但如果之前安装的pip为最新版本，则无法卸载，需要以下语句强制重新安装：python -m pip install --upgrade pip --force-reinstall ，如果出错的话，有提示安装

Paper Note-MAD-GAN:基于生成对抗网络的时间序列多变量异常检测

CoderYang.

02-22

2297

原文标题：MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks 原文作者：Dan Li, Dacheng Chen, Lei Shi, Baihong Jin, Jonathan Goh, and See-Kiong Ng 原文来源：2019ICANN 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言 ...

multivariate time series anomaly detection survey

idevede的博客

05-07

1万+

Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding (Hundman et al. [2018])---宇航员，开源，将多通道分成单通道。本文创新之处有两个：提出一种动态、无监督的确定阈值的方法；重新判定是否异常以减少误报率。本文只向后预测一步，并且只预测一个维度，收集每一步的...

GAN汇总

简简单单

12-26

3165

3D-ED-GAN - Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN - Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial...

Time Series_ Data Analysis and Theory

09-11

经典的David R. Brillinger的时间序列分析和理论，傅里叶变换、功率谱分析、循环平稳特性分析都囊括其中

第七篇论文.pptx

04-16

《Outlier Detection for Time Series with Recurrent Autoencoder Ensembles 基于递归自编码集成的时间序列离群点检测》

Gan初探(二)序列生成 Mad-Gan、Seq-Gan实验

yzsjwd的博客

08-27

1837

背景将用户行为转化为序列数据后，需要做部分种类的样本做数据增强。介绍 Mad-Gan：使用Gan完成异常检测。生成器与判别器都换成了lstm，其他和SGan没有任何区别。从随机向量生成序列。优点：将生成器加入到异常判别的队伍中，通过构造随机向量的方法得到重构目标样本的损失，加权和判别网络得到的分数求和，卡个阈值判断异常点缺点：生成器其实无法生成高质量的序列样本，个人认为它没有解决序列生成的几个问题。序列生成存在的问题:(1)离散数据很难使用梯度更新 (2)判别器很难对不完整序列判断真假 Se

《异常检测——从经典算法到深度学习》13 MAD: 基于GANs的时间序列数据多元异常检测

Smileyan's blog

08-05

1万+

《异常检测——从经典算法到深度学习》 0 概论 1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法 3 基于One-Class SVM的异常检测算法 4 基于高斯概率密度异常检测算法 5 Opprentice——异常检测经典算法最终篇 6 基于重构概率的 VAE 异常检测 7 基于条件VAE异常检测 8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测 9 异常检测资料汇总（持续更新&抛砖引玉） 10 基于条件 VAE 的鲁棒无监督KPI异常检测 11 针对

论文里的好句子（7）

weixin_45193103的博客

01-12

264

以往的研究主要采用平稳化的方法来减弱原始序列的非平稳性，以提高预测能力。为了解决过平稳化问题，提出了去平稳注意力模型，通过对原始序列的可区分注意力进行近似，将内在的非平稳信息恢复为时间依赖性。该问题在本文中被称为过平稳化，导致变压器对不同序列产生不可区分的时间注意力，阻碍了深度模型的预测能力。提出了一种新的时间序列分析框架，该框架考虑了时间序列的共同起源，并支持通道/特征关系的保持.首先，直接从长期时间序列中发现时间相关性是不可靠的，因为相关性可能被纠缠的时间模式所掩盖。我们通过经验证明，我们的方法。

基于GAN框架的时间序列异常检测研究综述

qq_40305043的博客

01-26

9569

一项综述类的课程作业 Anomaly detection with generative adversarial networks for multivariate time series. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks. TAnoGAN: Time Series Anomaly Detection with Generative Advers

GAN 论文大汇总

CoderPai的博客

04-24

1万+

关于生成对抗网络（GAN）的新论文每周都会出现很多，跟踪发现他们非常难，更不用说去辨别那些研究人员对 GAN 各种奇奇怪怪，令人难以置信的创造性的命名！当然，你可以通过阅读 OpanAI 的博客或者 KDNuggets 中的概述性阅读教程，了解更多的有关 GAN 的信息。在这里汇总了一个现在和经常使用的GAN论文，所有文章都链接到了 Arxiv 上面。 GAN — Generative Advers

GAN最全论文合集

最新发布

03-22

### 多变量时间序列异常检测工具与基准多变量时间序列异常检测（MTAD）是一个活跃的研究领域，其目标是从复杂的动态数据中识别出不寻常的行为模式。为了实现这一目标，研究者们开发了许多先进的方法和技术框架。 #### 工具概述目前存在多种用于多变量时间序列异常检测的开源工具和库，这些工具有助于快速构建模型并评估性能。以下是几个常用的工具及其特点： - **Donut**: Donut 是一种基于变分自编码器 (VAE) 的无监督异常检测算法，适用于处理高维稀疏的时间序列数据[^1]。 - **PyOD**: PyOD 提供了一个全面的 Python 库来支持各种类型的异常检测任务，包括单变量和多变量场景下的异常发现。它集成了许多经典和现代的方法，便于用户比较不同技术的效果。 - **DeepADoTS**: DeepADoTS 是一个专注于深度学习方法的异常检测平台，特别适合复杂的数据结构如图像、文本以及时间序列等。该工具提供了多个预训练模型，并允许定制化设计新架构以适应特定需求。 #### 基准测试环境对于任何机器学习或深度学习项目而言，合适的评价标准至关重要。针对 MTAD 领域内的工作成果，通常采用以下几种指标来进行量化分析: - **Precision & Recall**: 这两个参数分别衡量预测准确性中的正类覆盖率和误报率，在实际应用过程中往往需要找到两者之间的平衡点以便获得最佳效果。 - **F1 Score**: F1 得分为 Precision 和 Recall 的调和平均数，能够综合反映系统的整体表现水平。当面对类别不平衡问题时尤为有用。 - **AUC-ROC Curve**: ROC 曲线下面积(Area Under the Receiver Operating Characteristic curve)，通过绘制 TPR(真正例比率) 对应于不同的阈值下变化而形成的曲线图象计算得出，直观展示了分类器区分能力随决策边界调整的变化趋势。此外还有其他一些专用度量方式也可能被考虑进去，比如 MASE(Mean Absolute Scaled Error), MAPE(Mean Absolute Percentage Error)等等，具体选择取决于应用场景的具体特性及业务优先级设定情况。 ```python from sklearn.metrics import precision_score, recall_score, f1_score, roc_auc_score def evaluate(y_true, y_pred_probabilities): threshold = 0.5 # 可依据实际情况调节此门限值 predictions = [1 if prob >=threshold else 0 for prob in y_pred_probabilities] precison = precision_score(y_true, predictions) recall = recall_score(y_true, predictions) f_one = f1_score(y_true, predictions) auc_roc = roc_auc_score(y_true, y_pred_probabilities) return {'precision':precison,'recall':recall,'f1':f_one,'auc_roc':auc_roc} ``` 上述代码片段展示如何利用 scikit-learn 中内置函数完成基本性能指标测算过程。