異常検出

Войти

ビジネスプロセスにおける異常検出の重要性と、オブジェクト中心のプロセスマイニングが提供する利点を活用して、GNNを使用した新しいアプローチが有望である。

STRIPEは、空間と時間の正常パターンを捉え、グラフ再構築に統合して異常を検出する革新的な手法です。

与えられたデフォルト分布Pと検査データxMが、Pによって生成された可能性を判断する。最大エントロピー分布を用いた統計量を組み合わせたコーディングアプローチにより、この問題に取り組む。

本稿では、拡散モデルを用いた異常検出において、選択的推論を用いることで、検出された異常の信頼性を統計的に評価する新しい検定手法を提案する。

セルラーネットワークにおける異常検出において、転移学習を用いたマルチスケール畳み込みLSTMモデルは、従来の手法に比べて高い精度と効率性を達成する。

時空間データに位相的データ解析（TDA）を適用することで、AISデータ内の「クロップサークル」として知られる異常を識別できる。これは、時空間軌跡には通常ループが存在しないという観察に基づいており、永続ホモロジーを用いてこれらのループを検出することで、従来の方法では検出が困難な異常を特定できる。

本稿では、動的グラフにおける異常検出において、時系列分析と極値理論を用いることで、従来手法の課題であった可変サイズのグラフや複雑な変化パターンへの対応、および高い精度と低い誤検出率の両立を実現する新しい特徴量ベースの手法を提案する。

本稿では、監視ビデオにおける異常検出において、さまざまな時間スケールで動作の詳細とコンテキスト情報を効果的に融合させる、マルチタイムスケール特徴学習（MTFL）と呼ばれる新しい手法を提案しています。

本稿では、マスク画像モデリング（MIM）を用いて、画像内のオブジェクトの誤った組み合わせや位置のずれなどの論理異常を効果的に検出する新しい手法を提案する。

本稿では、異常データの事前知識を必要とせずに、正常データの不変性を利用した新しい異常検出手法「CON2」を提案する。

О нас

Продукты | Ресурсы

Идеи