Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

Generalization, Discrimination, and Extinction

Generalization, Discrimination, and Extinction

Generalization, discrimination, and extinction are key concepts in operant conditioning that influence how behaviors are learned and maintained.
Generalization occurs when a behavior reinforced in one context is performed in similar situations. For instance, a student who studies diligently for calculus and receives excellent grades might apply the same study habits to psychology and history, expecting similar results. Generalization shows how learning in one setting can influence behavior in...

Difference from Background: Limit of Detection

Difference from Background: Limit of Detection

The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
The LOD indicates the presence or absence...

The Anderson-Darling Test

The Anderson-Darling Test

The Anderson-Darling test is a statistical method used to determine whether a data sample is likely drawn from a specific theoretical distribution. Unlike parametric tests, it does not require assumptions about specific parameters of the distribution. Instead, it compares the sample's empirical cumulative distribution function (ECDF) with the cumulative distribution function (CDF) of the hypothesized distribution. Critical values for the test are specific to the chosen distribution rather...

Quantifying and Rejecting Outliers: The Grubbs Test

Quantifying and Rejecting Outliers: The Grubbs Test

Sometimes, a data set can have a recorded numerical observation that greatly deviates from the rest of the data. Assuming that the data is normally distributed, a statistical method called the Grubbs test can be used to determine whether the observation is truly an outlier. To perform a two-tailed Grubbs test, first, calculate the absolute difference between the outlier and the mean. Then, calculate the ratio between this difference and the standard deviation of the sample. This...

Detection of Black Holes

Detection of Black Holes

Although black holes were theoretically postulated in the 1920s, they remained outside the domain of observational astronomy until the 1970s.
Their closest cousins are neutron stars, which are composed almost entirely of neutrons packed against each other, making them extremely dense. A neutron star has the same mass as the Sun but its diameter is only a few kilometers. Therefore, the escape velocity from their surface is close to the speed of light.
Not until the 1960s, when the first neutron...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

The integrating eco-health risk assessment and driving factors for risks of heavy metals in soils from an open-pit lead-zinc mine area.

Ecotoxicology and environmental safety·2026

Same author

From regeneration to immunomodulation: a 20-year global bibliometric analysis of platelet-rich plasma for osteoarthritis.

Frontiers in medicine·2026

Same author

Effectiveness of 3D-printed femoral positioning guides in Oxford Unicompartmental Knee Arthroplasty: a randomized controlled trial with femoral mechanical-anatomical angle subgroup analysis.

Orthopaedics & traumatology, surgery & research : OTSR·2026

Same author

Integration of self-organizing map and Monte Carlo simulation for ecological risk prediction of heavy metal attenuation in groundwater.

Ecotoxicology and environmental safety·2025

Same author

Research advance of 3D printing for articular cartilage regeneration.

Regenerative medicine·2025

Same author

Biodegradation of CAHs and BTEX in groundwater at a multi-polluted pesticide site undergoing natural attenuation: Insights from identifying key bioindicators using machine learning methods based on microbiome data.

Ecotoxicology and environmental safety·2025

Search research articles

Video Experimental Relacionado

Updated: Sep 8, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

Una red generativa adversaria de doble discriminador para la detección de anomalías

Da Ding, Youquan Wang, Haicheng Tao

IEEE transactions on neural networks and learning systems

|September 5, 2025

Resumen

Este estudio introduce una nueva red adversaria generativa de doble discriminador (GAN) para la detección de anomalías de series temporales multivariadas. El método propuesto identifica efectivamente las anomalías al limitar el generador, superando las técnicas existentes en los conjuntos de datos de referencia.

Más Videos Relacionados

Generation of Discriminative Human Monoclonal Antibodies from Rare Antigen-specific B Cells Circulating in Blood

Generation of Discriminative Human Monoclonal Antibodies from Rare Antigen-specific B Cells Circulating in Blood

Published on: February 6, 2018

Videos de Experimentos Relacionados

Last Updated: Sep 8, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

Generation of Discriminative Human Monoclonal Antibodies from Rare Antigen-specific B Cells Circulating in Blood

Generation of Discriminative Human Monoclonal Antibodies from Rare Antigen-specific B Cells Circulating in Blood

Published on: February 6, 2018

Área de la Ciencia:

Ciencia de los datos
Aprendizaje automático
Inteligencia artificial

Sus antecedentes:

La detección de anomalías de series temporales multivariadas es crucial en las finanzas, el espacio aéreo y la seguridad.
Los desafíos incluyen definiciones de anomalías difusas, patrones complejos y datos anormales escasos.
Los métodos existentes de autoencoder (AE) y red generativa adversaria (GAN) se enfrentan a problemas como el exceso de ajuste y la dependencia de la calidad de los datos.

Objetivo del estudio:

Proponer un nuevo GAN de doble discriminador para mejorar la detección de anomalías de series temporales.
Abordar las limitaciones de los algoritmos de detección de anomalías existentes basados en AE y GAN.
Mejorar el despliegue práctico de las GAN en tareas de detección de anomalías.

Principales métodos:

Se propone una nueva GAN con una estructura de doble discriminador.
El generador produce reconstrucciones, y las pseudoetiquetas categorizan los datos en función del error de reconstrucción.
Dos discriminadores aplican criterios de pérdida distintos para las reconstrucciones de datos normales y potencialmente anómalas.

Principales resultados:

El doble discriminador GAN limita efectivamente el generador, conservando la información de datos normales mientras descarta los datos anómalos.
Los resultados experimentales en conjuntos de datos de referencia muestran un rendimiento superior en comparación con los métodos avanzados de detección de anomalías.
El modelo demuestra un gran rendimiento en los datos prácticos del transformador.

Conclusiones:

El GAN de doble discriminador propuesto ofrece una solución robusta para la detección de anomalías de series temporales multivariadas.
Este enfoque reduce el exceso de ajuste y la dependencia de datos de formación de alta calidad.
El método muestra un potencial significativo para aplicaciones en el mundo real, incluido el análisis de datos de transformadores.