通过切比舍夫图形卷积和修改的对立网络进行异常检测的无监督融合策略

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 数据集中的异常是与规范的偏差,通常表明错误或不寻常事件.
• 传统的异常检测很慢,容易出现错误,阻碍了系统和网络性能优化.
• 自动识别异常对于降低缺陷成本和提高运营效率至关重要.

研究的目的:

• 为准确的时间序列异常预测提出一个无监督的深度网络.
• 开发一种有效的方法,在波动的时间序列数据中检测异常样本.
• 为了减少与传统异常检测技术相关的成本和错误.

主要方法:

• 一个无监督的深度网络被开发来预测时间信息.
• 通过分析时间序列样本之间的相关性来构建邻近波动的图.
• 切比什夫图的卷积层应用于提取的时间特征,入一个修改的生成对抗网络 (GAN).

主要成果:

• 拟议的基于切比舍夫图的修改对抗网络 (Cheb-MA) 显示出强的性能.
• 该模型在Numenta数据集上获得了82.09%的平均F1得分.
• 与现有的异常检测研究相比,结果显示出显著的前景.

结论:

• 生成对抗网络 (GAN) 和切比舍夫图的融合为异常检测提供了一种有效的方法.
• 切布-MA模型提供了一种高效准确的无监督方法,用于识别时间序列中的异常.
• 这种技术有可能通过自动缺陷检测来优化系统性能并降低运营成本.