搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏vincent随笔
异常检测 anomaly detection
异常检测的应用欺诈检测工业质量监测计算机集群监测等等 image.png 建立一个异常检测系统的一般步骤将带有label的数据集划分为训练集、验证集和测试集注意将异常数据大致平均分配到每个集合中通常情况下，验证集和测试集的数据都应该是互不相同的，即两个集合没有交集使用训练集训练算法P(x) 为了避免正负样本分布不均，使用F1-score来评价算法性能使用验证集来选择阈值ϵ 异常检测和监督学习的区别异常检测正例（异常样本）通常都非常少，通常是10这个数量级。反例（正
56830发布于 2021-08-18
来自专栏海边的拾遗者
综述专栏 | 异常检测：Anomaly Detection
Semi-supervised anomaly detection for eeg waveforms using deep belief nets. A hybrid semi-supervised anomaly detection model for high-dimensional data. Conditional anomaly detection. Collective contextual anomaly detection framework for smart buildings. Memorizing normality to detect anomaly: Memory-augmented deep autoencoder for unsupervised anomaly detection
2.5K10发布于 2020-11-17
来自专栏蓝里小窝
论文复现 | Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy
首次运行SMD.sh (Anomaly-Transformer) username@username-ubuntu:/media/username/folder/Dev/Anomaly-Transformer 第三次及之后运行SMD.sh (Anomaly-Transformer) username@username-ubuntu:/media/username/folder/Dev/Anomaly-Transformer (Anomaly-Transformer) username@username-ubuntu:/media/username/folder/Dev/Anomaly-Transformer$ python 3.1 Anomaly ratio $r$ 及其局限性论文为每个数据集设定了不同的异常比例r，用于确定一个Anomaly Score 阈值\delta，使得验证集的异常点占比达到预设的r. r=0.5% (Anomaly-Transformer) ranlychan@ranlychan-ubuntu:/media/ranlychan/3E6E20236E1FD28F/Dev/Anomaly-Transformer
3.8K20编辑于 2023-12-24
来自专栏数据STUDIO
时序异常检测 Anomaly transformer
本文的主要贡献如下：提出Anomaly-Attention机制的Anomaly Transformer，它可以同时对**先验关联(Prior-Association)和序列关联(Series-Association 2.模型介绍 2.1 整体结构上图中，左边是Anomaly-Attention。右边是Anomaly Transformer重建的整体模型结构，用公式可表示为： 2.2 Anomaly-Attention Anomaly-Attention内有两个关联（可以把它理解成点与时序的关联分布文献：ANOMALY TRANSFORMER: TIME SERIES ANOMALY DETECTION WITH ASSOCIATION DISCREPANCY 代码：https://github.com /thuml/Anomaly-Transformer
1.8K21编辑于 2023-09-04
来自专栏Echo is learning
machine learning 之 Anomaly detection
目录： Problem Motivation Gaussian Distribution Algorithm Developing and Evaluating an Anomaly Detection System Anomaly Detection vs. Supervised Learning Choosing What Features to Use Multivariate Gaussian Distribution Anomaly Detection 如图中，属于一堆红叉叉中间的绿叉叉就是正常的（ok）飞机发动机，而距离较远的绿叉叉则是异常的（anomaly）飞机发动机。 5、Anomaly Detection vs.
76210发布于 2018-07-09
来自专栏实时计算
机器学习（十一）-------- 异常检测(Anomaly Detection)
异常检测(Anomaly Detection) 给定数据集 ?(1),?(2),..,?(?)，我们假使数据集是正常的，我们希望知道新的数据 ?????
1.1K20发布于 2019-08-08
来自专栏软件研发
with torch.autograd.set_detect_anomaly(True)
使用torch.autograd.set_detect_anomaly(True)进行PyTorch自动微分异常检测在深度学习中，自动微分是训练神经网络的关键技术之一。为了帮助调试这些问题，PyTorch提供了torch.autograd.set_detect_anomaly(True)函数，用于启用自动微分异常检测。使用torch.autograd.set_detect_anomaly(True)为了帮助调试和解决这些问题，PyTorch引入了torch.autograd.set_detect_anomaly(True 为了保证模型的训练和预测的准确性，我们可以使用torch.autograd.set_detect_anomaly(True)函数来启用自动微分异常检测。在训练过程中，我们启用了torch.autograd.set_detect_anomaly(True)，使得PyTorch能够在自动微分过程中进行异常检测。
2.1K10编辑于 2023-11-25
来自专栏计算机视觉理论及其实现
Memory-augmented Deep Autoencoder for Unsupervised Anomaly D
深度自编码在异常检测中得到了广泛的应用。通过对正常数据的训练，期望自编码器对异常输入产生比正常输入更高的重构误差，以此作为识别异常的判据。然而，这一假设在实践中并不总是成立。有人观察到，有时自动编码器“概括”得很好，也能很好地重建异常，导致异常的漏检。为了减轻基于自编码器的异常检测的这个缺点，我们建议使用内存模块来增加自编码器，并开发一种改进的自编码器，称为内存增强自编码器，即MemAE。对于给定的输入，MemAE首先从编码器获取编码，然后将其作为查询来检索与重构最相关的内存项。在训练阶段，内存内容被更新，并被鼓励表示正常数据的原型元素。在测试阶段，学习记忆是固定的，从正常数据中选取少量记忆记录进行重构。因此，重建将趋向于接近一个正常的样本。从而增强异常的重构误差，用于异常检测。MemAE没有对数据类型的假设，因此适用于不同的任务。在各种数据集上的实验证明了该备忘录具有良好的泛化性和较高的有效性。
2.8K10编辑于 2022-09-03
来自专栏EmoryHuang's Blog
【论文阅读】Time-Series Anomaly Detection Service at Microsoft
【论文阅读】Time-Series Anomaly Detection Service at Microsoft Metadata authors:: Hansheng Ren, Bixiong Xu (values)] else: seg = values[i:i + self.series_window_size] anomaly __detect_core(seg) result = np.concatenate((result, anomaly), axis=0) return result = self.generate_spectral_score(mags) return anomaly_scores[:len(values)] def generate_spectral_score = res[n:] / n for i in range(1, n): res[i] /= (i + 1) return res 参考资料 Time-Series Anomaly
1K20编辑于 2022-10-31
来自专栏大数据文摘
吴恩达机器学习中文版笔记：异常检测（Anomaly Detection）
作者：黄海广在接下来的一系列视频中，我将向大家介绍异常检测(Anomaly detection)问题。这是机器学习算法的一个常见应用。问题的动机参考文档:15-1-Problem Motivation(8 min).mkv 在接下来的一系列视频中，我将向大家介绍异常检测(Anomaly detection)问题。开发和评价一个异常检测系统参考视频:15-4-Developing and Evaluating an Anomaly Detection System(13 min).mkv 异常检测算法是一个非监督学习算法值作为阀值，并预测数据是否异常，根据F1值或者查准率与查全率的比例来选择ε 选出ε后，针对测试集进行预测，计算异常检验系统的F1值，或者查准率与查全率之比异常检测与监督学习对比参考视频:15-5-Anomaly 使用多元高斯分布进行异常检测（可选）参考视频:15-8-Anomaly Detection using the Multivariate Gaussian Distribution(Optional)
1.3K70发布于 2018-05-23
来自专栏YOLO大作战
异常感知Anomaly-Aware YOLO：仅1%计算开销，实现红外弱小目标检出率飙升50%
异常感知检测头（AADH）的设计：论文设计了Anomaly-Aware Detection Head (AADH) 来替代YOLO原有的检测头。 =self.temperature ) return x_spatial, anomaly_score def compute_anomaly_score = self.compute_anomaly_loss( predictions, targets, anomaly_scores * anomaly_loss ) return total_loss def compute_anomaly_loss(self, predictions 异常感知 (Anomaly-Aware): 专门增强小目标的局部异常特征# 3.
39840编辑于 2026-01-14
破局红外小目标检测：异常感知Anomaly-Aware YOLO以“俭”驭“繁”
论文标题：Anomaly-Aware YOLO: A Frugal yet Robust Approach to Infrared Small Target Detection论文链接：https://
43810编辑于 2025-11-26
来自专栏星河造梦坊专栏
Git Bash☀️三、解决ANOMALY: use of REX.w is meaningless (default operand size is 64)
如果大家看了我前面两节的gitbash教程，相信也看到了有这个报错： ANOMALY: use of REX.w is meaningless (default operand size is 64)
1.3K10编辑于 2024-08-15
来自专栏贾志刚-OpenCV学堂
Anomaly-OV | 基于多模态LLM实现零样本异常检测与推理
Anomaly-OV通过仅使用视觉编码器，直接在特征空间中学习具有物体感知能力的异常嵌入。受人类在视觉检测中行为的启发，Anomaly-OV采用了一种“再看一眼”特征匹配机制，以帮助其大型语言模型自适应地选择并强调最可疑的异常视觉标记。 Anomaly-OV在检测与推理能力上相较先进通用模型实现了显著提升。我们同步公开了Anomaly-OV从工业缺陷检测到三维检测乃至医疗影像诊断的延伸应用成果，以供后续研究。
14510编辑于 2026-04-02
来自专栏YOLO大作战
《Towards High-Resolution Industrial Image Anomaly Detection》（迈向高分辨率工业图像异常检测）
本文摘要：该论文《Towards High-Resolution Industrial Image Anomaly Detection》（迈向高分辨率工业图像异常检测）具有以下重要意义：1. 轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；1.原理介绍论文：Towards High-Resolution Industrial Image Anomaly
60010编辑于 2026-01-10
来自专栏Triciaの小世界
【问题记录】ANOMALY: use of REX.w is meaningless (default operand size is 64)导致git命令无法使用
出现这个记录可能的原因就是电脑被安装了某种监控软件可以使用如下命令检测电脑是否被安装
3.1K20编辑于 2023-04-12
来自专栏AI+运维：智能化运维的未来
AI驱动的自动故障修复：智能化运维的新突破
'] = model.predict(scaled_data)data['anomaly'] = data['anomaly'].map({1: 0, -1: 1})# 查看故障点anomalies = import os# 定义修复策略def apply_fix(anomaly): if anomaly['metric'] == 'cpu_usage': # 示例修复操作：重启进程 ["metric"]}')# 应用修复策略for index, anomaly in anomalies.iterrows(): apply_fix(anomaly) print(f'Applied '] = model.predict(scaled_data)data['anomaly'] = data['anomaly'].map({1: 0, -1: 1})anomalies = data[data ['anomaly'] == 1]# 应用自动修复策略for index, anomaly in anomalies.iterrows(): apply_fix(anomaly) print
1.1K10编辑于 2024-12-17
来自专栏深度学习进阶
AIOps根因定位（二）：微服务架构的异常检测与根因定位
Anomaly Detection from System Tracing Data Using Multi-modal Deep Learning. On Anomaly Detection and Root Cause Analysis of Microservice Systems. Root-Cause Metric Location for Microservice Systems via Log Anomaly Detection. PAL: Propagation-Aware Anomaly Localization for Cloud Hosted Distributed Applications. On Anomaly Detection and Root Cause Analysis of Microservice Systems.
4.7K43发布于 2021-09-15
来自专栏量化投资与机器学习
基于机器学习算法的时间序列价格异常检测（附代码）
contain the anomaly result of the above method Cluster (0:normal, 1:anomaly) df['anomaly1'] = (distance [df_class1['anomaly'] == 1, 'price_usd'] b2 = df_class1.loc[df_class1['anomaly'] == -1, 'price_usd'] '] # df['anomaly5'] = np.array(df['anomaly22'] == -1).astype(int) fig, ax = plt.subplots(figsize=(10, (anomalyElement(sequence, real_threshold, transition_matrix)) return df_anomaly df['anomaly24'] = a = df.loc[df['anomaly24'] == 0, 'price_usd'] b = df.loc[df['anomaly24'] == 1, 'price_usd'] fig, axs
6.6K10发布于 2019-02-26
来自专栏时空探索之旅
ICLR 2026 | 时间序列(Time Series)论文总结[下]【分类，异常检测，生成，插补，LLM与基础模型】
Contextual and Seasonal LSTMs for Time Series Anomaly Detection9. PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection43. id=ZtPIBpVojC 关键词：Anomaly detection, Anomaly localization, Multivariate time series, Space-time autoregression id=7uFbs68MSI 关键词：time series anomaly detection; conformal prediction; anomaly detection; monitoring id=rBt9aW3Mx7 关键词：Timeseries anomaly detection, Timeseries foundation model, Reconstruction based anomaly
61110编辑于 2026-03-10

第 2 页第 3 页第 4 页第 5 页第 6 页第 7 页第 8 页第 9 页第 10 页第 11 页

点击加载更多

异常检测 anomaly detection

综述专栏 | 异常检测：Anomaly Detection

论文复现 | Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy

时序异常检测 Anomaly transformer

machine learning 之 Anomaly detection

机器学习（十一）-------- 异常检测(Anomaly Detection)

with torch.autograd.set_detect_anomaly(True)

Memory-augmented Deep Autoencoder for Unsupervised Anomaly D

【论文阅读】Time-Series Anomaly Detection Service at Microsoft

吴恩达机器学习中文版笔记：异常检测（Anomaly Detection）

异常感知Anomaly-Aware YOLO：仅1%计算开销，实现红外弱小目标检出率飙升50%

破局红外小目标检测：异常感知Anomaly-Aware YOLO以“俭”驭“繁”

Git Bash☀️三、解决ANOMALY: use of REX.w is meaningless (default operand size is 64)

Anomaly-OV | 基于多模态LLM实现零样本异常检测与推理

《Towards High-Resolution Industrial Image Anomaly Detection》（迈向高分辨率工业图像异常检测）

【问题记录】ANOMALY: use of REX.w is meaningless (default operand size is 64)导致git命令无法使用

AI驱动的自动故障修复：智能化运维的新突破

AIOps根因定位（二）：微服务架构的异常检测与根因定位

基于机器学习算法的时间序列价格异常检测（附代码）

ICLR 2026 | 时间序列(Time Series)论文总结[下]【分类，异常检测，生成，插补，LLM与基础模型】

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐