logo资料库

第十二篇论文.pptx

发布时间：2022-05-31 发布人：admin 分类：说明书 资料大小：16.75M 资料格式：pptx 举报 版权申诉
第1页 / 共22页
第2页 / 共22页
第3页 / 共22页
第4页 / 共22页
第5页 / 共22页
第6页 / 共22页
第7页 / 共22页
第8页 / 共22页
资料共22页，剩余部分请下载后查看
    学 习 总 结 汇 报 汇报人：汪子璇 2020.5.9
    论文名 出版时间 期刊 关键字 亮点 Outlier Detection for Multidimensional Time Series using Deep Neural 论文一 Networks 基于深层神经网络的多维时间序列离 2018 IEEE 群点检测 Unsupervised AnomGenerative Adversarial Active Learning for Unsupervised Outlier Detectionaly Detection 生成性对抗主动学习在无监督异常检 测中的应用 论文二 (看完收获不大， 所以PPT大概写 了一下) 2019 IEEE 多维时间序列+异常检测+ 时间序列的富集化+2DCNN- AE+LSTM-AE 离群点检测+生成潜在离群 点+维数诅咒+生成性对抗 主动学习+模式崩溃问题+ 多目标生成性对抗主动学 习 • 时间序列的富集 化（使用两次滑 动窗口） • 2DCNN-AE • LSTM-AE • MO-GAAL
    下周安排 跑代码 + 温故而知新（巩固总结发现） + 看一篇新的论文 1、这周有找到之前看过的两篇质量高的两篇论文的代码（动态阈值调节+MAD），打算实现一下，但是我的编程代 码理解能力真的很弱，会尽量多花些时间，根据文章的脉络把代码看懂，跑起来，让自己慢慢不害怕代码； 2、目前也仔细看了十几篇论文了，一些基本的框架和方法也有所了解，但是缺乏主动性思考，想要阶段性地进行复 习，巩固地基础上从中学会总结，最好能发现问题及不足（为自己今后写论文做铺垫）； 3、有精力的情况下仔细阅读一篇新的论文。 论文一：动态阈值调节 论文二：MAD
    Outlier Detection for Multidimensional Time Series using Deep Neural Networks 基于深层神经网络的多维时间序列离群点检测 • 2018 • IEEE • 多维时间序列+异常检测+时间序列的富集化+2DCNN-AE+LSTM-AE
    一、概括 1、研究对象：多维时间序列 2、目标：异常检测 3、方法：提出了一个时间序列离群点检测的框架 生成衍生特征和 统计特征的方法 自编码器 使用小的特征 空间进行降维 丰富原始时间序列的特征空间， 这些特征可以捕捉时间序列中 时间变化的不同方面 重建丰富的时间序列 捕获丰富的时间序列 中最具代表性的特征 重构后的时间序列只捕 获代表性特征，而异常值往 往具有非代表性特征。因此， 丰富时间序列与重构时间序 列的偏差可以作为异常值的 指标。 4、结论：对多个时间序列数据集的实证研究，提供了对所提出的框架的设计特性的洞察，表明它在 检测异常值方面是有效的。
    二、相关引入工作 1、Autoencoder(AE) ：训练过程是无监督的，包括最小化损失函数，使得X'接近X Ø 自编码器是一种无监督的学习方法，适合识别异常值。 Ø 特别地，自动编码器接收在大特征空间中表示的输入数据，执行维度缩减，从而 使用小特征空间捕获输入数据的最具代表性特征，并基于小特征空间中的特征重 构输入数据。 Ø 由于异常值通常对应于非代表性特征，因此自动编码器很可能无法使用较小的特 征空间重建异常值。 因此，原始输入数据与重构 数据之间的偏差作为异常值 的指标。
    二、相关引入工作 2、基于这一思想，作者提出了一个孤立点检测框架，该框架包含了多个基于深度神经网络的自动编码器。 Ø 提出一种用衍生特征和统计特征来丰富多维时间序列的方法，这些特征可以捕捉时间序列中时间变化的不同方面。 Ø 介绍了两种基于深度神经网络的自动编码器，基于二维卷积神经网络的自动编码器+基于长短期记忆的自动编码器 用这些来重建丰富的时间序列。 Ø 利用重构的时间序列与原始时间序列之间的偏差作为异常值的指标。 3、本文的主要工作 （1）提出了一种基于深度神经网络的丰富多维时间序列离群点识别框架 （2）提出了两种基于深度神经网络的自动编码方法和一种上下文嵌入方法 （3）并报告了在多个时间序列数据集上进行的大量实验，以评估所提出的离群点检测框架的设计选择和有效性。 亮点 时间序列的丰富 + 基于自编码器的深度神经网络（CNN+LSTM）
    三、作者提出的方法 1、模型 多维时间序列 丰富MTS中每个向量 的特征,生成了与时间 序列中的每个向量相 关联的各种统计特征 基于二维卷积神经 网络的自动编码器 基于长短期记忆（LSTM） 的自动编码器 该模块计算丰富时间序 列中每个向量的重构误 差，用于识别异常值。
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料