上一页 1 2 3 4 5 6 7 8 9 ··· 12 下一页
摘要: ==**本文全部由ChatGpt翻译,仅供参考**== # Scientific discovery in the age of artificial intelligence 人工智能(AI)正日益融入科学发现中,以增强和加速研究,帮助科学家生成假设、设计实验、收集和解释大规模数据集,并获得可能仅 阅读全文
posted @ 2023-08-09 14:51 Un-Defined 阅读(346) 评论(0) 推荐(0) 编辑
摘要: # AnoShift: A Distribution Shift Benchmark for Unsupervised Anomaly Detection 主要贡献点: 1. 用t-SNE,Optimal Transport Dataset Distance 分析了网络流量中用于无监督异常检测任务的 阅读全文
posted @ 2023-08-03 19:20 Un-Defined 阅读(246) 评论(0) 推荐(0) 编辑
摘要: # Deep One-Class Classifification Deep SVDD (Deep Support Vector Data Description)训练一个神经网络,最小化包含数据表征的超球的体积(如图1所示) ![image-20230606193307205](https://i 阅读全文
posted @ 2023-06-07 16:02 Un-Defined 阅读(577) 评论(0) 推荐(0) 编辑
摘要: Deep Isolation Forest for Anomaly Detection 1 INTRODUCTION IForest的缺点 它的与坐标轴平行的隔离方法会导致它在高维/非线性空间中难以检测到异常。 如图1所示。红色为异常节点,蓝色为正常节点。红色被蓝色所包围,这种情况无法被直接用 平行 阅读全文
posted @ 2023-06-01 12:29 Un-Defined 阅读(551) 评论(0) 推荐(0) 编辑
摘要: ## OpenMP: "libgomp: Thread creation failed: Resource temporarily unavailable" when code run as regular user 这几天在跑代码的时候,因为模型需要调参,方便起见打算同时运行25个程序。但是在使用 阅读全文
posted @ 2023-05-20 14:51 Un-Defined 阅读(598) 评论(0) 推荐(0) 编辑
摘要: Peripheral Instance Augmentation for End-to-End Anomaly Detection Using Weighted Adversarial Learning abstract 对边缘样本的实例学习不足,可能会导致较高的假阳性 提出方法用少量样本来指导对抗 阅读全文
posted @ 2023-05-17 17:23 Un-Defined 阅读(23) 评论(0) 推荐(0) 编辑
摘要: # Density estimation using real nvp 参考资料: - 苏剑林. (Aug. 26, 2018). 《细水长flow之RealNVP与Glow:流模型的传承与升华 》[Blog post]. Retrieved from https://kexue.fm/archiv 阅读全文
posted @ 2023-04-12 09:54 Un-Defined 阅读(690) 评论(0) 推荐(0) 编辑
摘要: ## 摘要 本文提出一个无监督的基于密度的用于异常检测的方法 **目的:**定义一种平滑而有效的异常度量,可用于检测非线性系统中的异常。 **局部离群值得分(local outlier score, LOS)**:该方法为每个样本分配一个局部离群值分数(local outlier score, LO 阅读全文
posted @ 2023-04-01 12:18 Un-Defined 阅读(316) 评论(0) 推荐(0) 编辑
摘要: 本要是对于原文的部分内容翻译、摘录。详情请阅读原文。(未看完) ## 引言 为了解决检测具有动态和时变特征的复杂上下文异常的问题,新的有前途的循环神经网络(RNN)体系结构出现了。 由于最近出现了不同的LSTM方法,这些方法被广泛用于不同的异常检测目的,本文旨在对技术系统的异常检测进行详细概述,明确 阅读全文
posted @ 2023-03-15 12:30 Un-Defined 阅读(194) 评论(0) 推荐(0) 编辑
摘要: # IForest ## 所基于的假设 1. 异常是由较少实例组成的少数派 2. 它们拥有与正常实例差别较大的属性 换句话说,异常是少而不同的(few and different),这使得它们比正常的点更容易被孤立。 本文证明了可以有效地构造一个树状结构来隔离每个实例。因为异常点易于被隔离,它们通常 阅读全文
posted @ 2022-12-15 20:49 Un-Defined 阅读(132) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 7 8 9 ··· 12 下一页