anomalydetection

AAAI 2020: 时序转化为图用于可解释可推理的异常检测

☆樱花仙子☆ 提交于 2020-08-14 10:26:09
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

牛人的Machine Learning 机器学习笔记目录

两盒软妹~` 提交于 2020-08-13 13:41:20
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

使用GAN 进行异常检测——anoGAN,TODO,待用于安全分析实验

笑着哭i 提交于 2020-04-11 10:33:47
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,