【Donut论文】Unsupervised anomaly detection via variational auto-encoder for seasonal kpis...
简述
本文提出的 Donut,基于 VAE(代表性的深层生成模型)的无监督异常检测算法,伴有理论解释,可以无标签或偶尔提供的标签下学习。
本文贡献
1,Donut 里的三项技术:改进的 ELBO,缺失数据注入进行训练以及为了检测的 MCMC (imputation) 借补法。使它大大超越了最新的监督类和基于 VAE 的异常检测算法。 对于来自顶级全球互联网公司的研究 KPI,无监督 Donut 的最佳 F-score 在 0.75 到 0.9 之间。
2,在文献中,我们首次发现采用变分自动编码器 Variational Auto-Encoder(或一般而言的生成模型)进行异常检测需要对正常数据和异常数据进行训练,这与通常的直觉相反。
3,我们为 Donut 在 z 空间中提出了一种新颖的 KDE 解释,使其成为第一个基于 VAE 的具有可靠理论解释的异常检测算法。这种解释可能有益于异常检测中其他深度生成模型的设计。 我们发现了潜在 z 空间中的时间梯度效应,很好地说明了 Donut 在检测季节性 KPI 异常方面的出色性能。
详情看Github博客
模型部分
实验部分
Reference
Xu H, Chen W, Zhao N, et al. Unsupervised anomaly detection via variational auto-encoder for seasonal kpis in web applications[C]//Proceedings of the 2018 World Wide Web Conference. 2018: 187-196.
【Donut论文】Unsupervised anomaly detection via variational auto-encoder for seasonal kpis...相关推荐
- Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications
Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications 网络 ...
- 【读论文】A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time...
目录 1. 这篇文章的主要研究内容 2. MSCRED Framework 1. Problem Statement 2. Overview (1)Characterizing Status with ...
- 《SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection》论文阅读理解
<SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection>论文阅读理解 领域:用于医学图像的异常检测 论文地址 ...
- 【时序异常检测翻译】1.DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
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 ...
- 【Paper】A Comparative Evaluation of Unsupervised Anomaly Detection Algorithms for Multivariate Data
论文原文:HTML 论文年份:2020 论文被引:396(2020/10/03) 696(2022/03/26) 文章目录 Abstract Introduction Categorization o ...
- [文献阅读]A deep neural network for unsupervised anomaly detection and diagnosis in MTSD
A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series D ...
- MVTec AD—A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection 2019 CVPR
MVTec AD-A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection 2019 CVPR 作者:Paul Ber ...
- 【人工智能概论】 变分自编码器(Variational Auto Encoder , VAE)
[人工智能概论] 变分自编码器(Variational Auto Encoder , VAE) 文章目录 [人工智能概论] 变分自编码器(Variational Auto Encoder , VAE) ...
- (Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 0 异常检测简述
文章目录 1. 简介 2. 相关数据集与评价指标 3. 研究进展 参考 1. 简介 异常检测,简单地说就是让学习到的模型能够区分开正常样本和异常样本.比如在医学领域,根据CT影像学习的癌症检测模型也可 ...
最新文章
- 【小心勿喷,吃饭中的小朋友最好别看】史上最搞笑的前端vue文件命名,没有之一,呵呵哒
- Service 与 Thread 的区别
- 王建民做客第六期青年学者月度沙龙 分享工业软件的开源创新发展模式
- Kamailio v4.4.6 发布,开源 SIP 服务器
- openLDAP的编译安装以及配置
- 京瓷打印机几个常见密码
- Keras之DNN:基于Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN实现分类预测概率——DIY二分类数据集预测新数据点
- linux nls_lang oracle,linux操作系统环境变量LANG和NLS_LANG的区别
- libevent的两个服务端、客户端示例(C语言)
- Docker代理设置方法
- 【Java例题】7.5	文件题2-学生成绩统计
- umijs有什么好处_UmiJS
- 怎么快速提高网站打开速度-网站打开速度优化教程技巧
- 腾讯云租用CentOS 7.2 64
- hazelcast java_Hazelcast
- 微信小程序的一些基本知识,微信小程序开发
- 迷宫问题(解救小哈)
- USV(Unmanned Surface Vessels)研究概况和发展趋势
- ref使用之react / react hook
- WPS for Linux提示“系统缺失字体symbol、wingdings、wingdings 2、wingdings 3、webding”的解决方法
热门文章
- 【原创】VBA学习笔记(12)VBA的数组 array---基础知识(1)
- red110播放_我播放“ Red Dead Redemption 2”以获得风景,而不是射击
- Pandas数据处理基础6---插值填充及其用法
- MyBatis(四)Mybatis的参数
- Microsoft Store打不开, 解决方法
- Spark SQL是什么?
- 今日头条改名“字节跳动”背后,向不堪的过往说“不”?
- 网站图标的生成和使用--web前端
- 云南省计算机b类等级考试试题,计算机(一级B类)云南省计算机一级考试题库
- OCR数据集生成利器—TextRecognitionDataGenerator