“`html

Улучшение обнаружения аномалий с помощью адаптивного шума: подход через псевдоаномалии

Обнаружение аномалий приобрело значительное значение в различных областях, таких как наблюдение, медицинский анализ и сетевая безопасность. Типичным подходом к этой проблеме является использование моделей автокодировщиков (AE) как задачи классификации одного класса. Однако AE склонны слишком хорошо восстанавливать аномалии, что затрудняет различение между нормальными и аномальными данными. Для решения этой проблемы были предложены различные методы, такие как сети на основе памяти и псевдоаномалии, но они имеют свои ограничения.

Практические решения и ценность

Интеграция механизмов памяти в модели AE направлена на ограничение их возможности восстановления аномалий, чтобы не негативно сказываться на восстановлении нормальных данных. Решение включает создание псевдоаномалий, добавляя адаптивный шум в нормальные данные, что приводит к улучшению обнаружения аномалий. Этот подход является универсальным и применимым в различных областях, что подтверждается на различных наборах данных.

Результаты

Исследователи представили эффективный подход к генерации псевдоаномалий без использования сильных индуктивных предположений. Они использовали дополнительный автокодировщик для генерации шума, что улучшило обучаемость. Проведены исследования и оценки на различных наборах данных, демонстрирующие превосходство и универсальную применимость в области видео, изображений и сетевого вторжения.

Поддержка и консультации

Если вам нужны советы по внедрению ИИ, пишите нам на Telegram.

Попробуйте ИИ ассистент в продажах здесь. Этот ИИ ассистент помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.

“`