时间：2022-08-31 17:11:39 来源：www.xiaofamao.com 作者：喵喵
此类方法通过优化特定目标函数来学习示例的representation。 虽然目标函数主要不是为了异常检测而设计的。 随着风险管理、合规、安全、金融监控、健康与医疗风险、人工智能安全等广泛领域的需求和应用日益增长，异常检测在数据挖掘、机器学习、计算机视觉与统计等各个领域都起着越来越重要的作用
因为正常实例的标签比异常实例的标签更易获得，半监督DAD技术已经得到更广泛的应用，这些技术使用单个(通常为阳性类别)现有标签来分离异常值。 过去十年，主要研究集中在不需要标记训练数据的监测异常检测上。 使用基于深度注意的模型设计的可解释异常检测系统，可以有效解释检测到的异常[y，yuan等人[2018b]，Guo和Lin[2018]。
1、深度神经网络检测轮廓缺陷
由于移动蜂窝网络的容量和速度，检测这种欺诈行为非常重要，并不是一项容易的任务。 深度学习方法在许多机器学习问题上取得了实质性进展，但用于异常检测的深度学习方法相对较少。 根据标签可用性，深度异常检测( DAD )模型可大致分为三类。 深度学习是机器学习的子集，通过学习将数据表示为嵌套在神经网络层内的概念层次来实现良好的性能和灵活性。
2、深度神经网络修复
由于其独特的性质，异常检测呈现出许多分析和学习问题与任务完全不同的问题复杂性。 这次的论文共享介绍了深度异常检测的几个类别。 也可以说是几个重要的研究方向。 网络安全态势感知作为定量分析网络安全性的一种手段，实现了对网络中各种活动的行为感知、活动意图理解及影响评估，为网络管理者掌握网络安全态势、判断网络安全态势提供了可靠依据。
3、深度神经网络检测
Graph WaveNet :用于时空图建模的图神经网络结构。 自动编码器是用于异常检测的基本无监控深度体系结构Baldi[2012]。 OC-NN模型联合训练深度神经网络，同时优化输出空间中的数据封闭超球或超平面。 本文提出了一种新的检测指标Corr来评估检测异常的能力，通过建立两个集合，一个集合存储所有异常单元，一个集合存储所有正常单元，计算两个协方差，计算比值得到。
Chalapathy等人[2018a]的方法受到了基于核心的单类分类的启发，该分类将提取深度网络越来越丰富的数据表示的能力与在正常数据周围创建紧密包络的单类目标相结合。 某些技术可能会将类别标签作为常规或异常分配给每个数据实例，而不是分配分数。 然而应当注意，由于这些方法是完全独立于数据特征和异常检测的2步，因此对于异常检测可能无法保留足够的信息。
猜你喜欢
| ·ChatGPT的实现原理基于什么技术 |
| ·如何使用ChatGPT【使用指南】 |
| ·论文降重软件哪个好 |
| ·轻松上哈佛，ChatGPT让国际著名大学感到焦 |
| ·小发猫AI智能文章改写软件 |