2018年10月25日
keras-anomaly-detection 代码分析——本质上就是SAE、LSTM时间序列预测
摘要： keras-anomaly-detection Anomaly detection implemented in Keras The source codes of the recurrent, convolutional and feedforward networks auto-encoders 阅读全文
posted @ 2018-10-25 18:10 bonelee 阅读(1900) 评论(0) 推荐(0) 编辑
VAE demo
摘要： 先看tflearn 官方的： 再看：https://github.com/kiyomaro927/tflearn-vae/blob/master/source/test/one_dimension/vae.py keras的：https://gist.github.com/philipperemy/ 阅读全文
posted @ 2018-10-25 17:03 bonelee 阅读(1585) 评论(0) 推荐(0) 编辑
AIOps探索：基于VAE模型的周期性KPI异常检测方法——VAE异常检测
摘要： AIOps探索：基于VAE模型的周期性KPI异常检测方法 from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com 作者：林锦进 阅读全文
posted @ 2018-10-25 11:08 bonelee 阅读(2384) 评论(1) 推荐(0) 编辑
杜伦大学提出GANomaly：无需负例样本实现异常检测
摘要： 杜伦大学提出GANomaly：无需负例样本实现异常检测 本期推荐的论文笔记来自 PaperWeekly 社区用户 @TwistedW。在异常检测模块下，如果没有异常（负例样本）来训练模型，应该如何实现异常检测？本文提出的模型——GANomaly，便是可以实现在毫无异常样本训练下对异常样本做检测。 关 阅读全文
posted @ 2018-10-25 11:07 bonelee 阅读(5822) 评论(1) 推荐(0) 编辑
基于PU-Learning的恶意URL检测——半监督学习的思路来进行正例和无标记样本学习
摘要： 一、背景介绍 现实生活许多例子只有正样本和大量未标记样本，这是因为获取负类样本较为困难、负类数据太过多样化且动态变化。比如在推荐系统，用户点击为正样本，却不能因为用户没有点击就认为它是负样本，因为可能样本的位置很偏，导致用户没有点击。 PU Learning（Positive-unlabeled l 阅读全文
posted @ 2018-10-25 10:38 bonelee 阅读(4724) 评论(0) 推荐(0) 编辑
异常检测——局部异常因子（Local Outlier Factor ，LOF）算法
摘要： 在中等高维数据集上执行异常值检测的另一种有效方法是使用局部异常因子（Local Outlier Factor ，LOF）算法。1、算法思想LOF通过计算一个数值score来反映一个样本的异常程度。这个数值的大致意思是：一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度。比值越大于1， 阅读全文
posted @ 2018-10-25 09:57 bonelee 阅读(14237) 评论(0) 推荐(1) 编辑