anomalydetection

Time2Graph: Revisting Time Series Modeling with Dynamic Shapelets 原文地址 整体导读 文章提出了带有时间意识的Shapelet，除了可以挖掘时序中的异常状态之外，可以自动感知异常状态所在时间位置上的敏感度； 文章尝试捕捉不同Shapelet之间的关系，提出了通过图结构(Graph)对这种关系进行表达的方法，在挖掘异常变化轨迹的同时也具备良好的可解释性。文章发表在人工智能领域顶级会议 AAAI 2020 上 时序建模中的挑战 时间序列建模旨在发现数据中的时空依赖关系，学术界对此有广泛研究，例如异常检测[2]，语音识别[3]等。 这里的关键问题是如何提取时间序列中代表性的特征 。以前的工作很大一部分从经典的特征工程和表示学习入手，这些方法具有很好的可解释性，但主要依靠人的经验，在复杂的场景下很难做到通用化。近年来随着深度学习的发展，许多工作开始尝试一些复杂的模型方法来自动的挖掘特征。然而，尽管这些方法取得了良好的效果[4,5]，但由于模型的复杂度高以及难以对结果很好的解释，许多方法不能很好地满足实际工业落地的需求。 基于以上背景为出发，该文尝试通过Shapelet[6], 一种可自动挖掘具有代表特征的时序子序列的方法出发，通过分析不同Shapelet之间的关系，构建Graph进行表示

目录 前言 第一周：Welcome 1.1 What is Machine Learning? 1.2 Linear Regression with One Variable 第二周：Linear Regression with Multiple Variables 2.1 Multivariate Linear Regression 2.2 Computing Parameters Analytically 2.3 Octave/Matlab Tutorial 第三周：Logistic Regression 3.1 Logistic Regression 3.2 Regularization 第四周：Neural Networks: Representation 4.1 Neural Networks Representation 第五周：Neural Networks: Learning 5.1 Neural Networks Learning 5.2 Backpropagation in Practice 第六周：Advice for Applying Machine Learning 6.1 Advice for Applying Machine Learning 6.2 Machine Learning System Design 第七周：Support Vector

先说实验成功的代码： git clone https://github.com/tkwoo/anogan-keras.git mkdir weights python main.py --mode train 即可看到效果了！ 核心代码：main.py from __future__ import print_function import matplotlib matplotlib.use('Qt5Agg') import os import cv2 import numpy as np import matplotlib.pyplot as plt from keras.datasets import mnist import argparse import anogan os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' parser = argparse.ArgumentParser() parser.add_argument('--img_idx', type=int, default=14) parser.add_argument('--label_idx', type=int, default=7) parser.add_argument('--mode', type=str, default='test', help='train,