Landmark Block-Embedded Aggregation Autoencoder for Anomaly Detection
Notice bibliographique
Résumé
Unsupervised anomaly detection (AD) methods based on deep learning have attracted great attention in unlabeled data mining. The performance of these AD methods usually depends on the representation ability of normal patterns and the quality of training data. However, most deep unsupervised AD methods do not capture the distribution characteristics and the diversity of normal patterns effectively. In the meantime, they ignore the interference of abnormal samples on the model in training data with anomaly contamination. To tackle these issues, this article proposes a method named landmark block-embedded aggregation autoencoder (LBAA) for AD. LBAA constructs a filter and an aggregation autoencoder by introducing a novel normal feature learning approach to improve data quality and adjust its distribution differences from anomalies. In the normal feature learning, we define a landmark block to represent distribution of a normal class and an adaptive selection mechanism of landmark blocks’ number to obtain diverse normal features. On the basis, the filter is constructed to filter distinct anomalies and improve the quality of the contaminated training data. Then, a weighted objective function is proposed to train the aggregation autoencoder. The function can reduce the interference of anomalies and realize the aggregation of normal samples to increase the feature differences between normal and abnormal samples. Next, the trained aggregation autoencoder calculates the anomaly score of each sample by summing the reconstruction error and its median sparseness to the landmark blocks. Finally, we report on a comprehensive experiment on multiple datasets. The obtained results validate the effectiveness and robustness of LBAA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».