.png){kind=icon}
返回
Anomaly Detection in Multi-Level Model Space
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2025.3534625.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常检测（AD）正日益受到重视，特别是在数据标签有限或异常类型未知的情况下，需要一种高效且对标签数据或先验知识依赖最小的方法。基于模型空间学习（LMS）框架，本文提出通过多层级模型空间学习（MLMS）进行异常检测。LMS通过用拟合模型表示每个数据实例，将数据从数据空间转换到模型空间。在MLMS中，为全面捕捉数据内部的动态特性，对原始数据实例的多层级细节进行分解。这些细节被分别拟合，形成一组能够捕捉原始实例多层级动态特性的拟合模型。用一组拟合模型而非单个模型表示每个数据实例，将其从数据空间转换到多层级模型空间。引入模型集间的成对差异度量，全面考虑了各层级细节中拟合模型间的距离以及相似模型的类内聚集。随后，可在多层级模型空间中有效实施异常检测，无论是否有充足的多类别标签数据。在多个异常检测数据集上的实验验证了所提方法的有效性。
Keyword:
Learning in the model space
anomaly detection
time-series data
multi-level model spaces
期刊
I
IF:
5.7
论文数:
893
被引数:
3.0K
机构
引用论文
Preprocessing-Free Gear Fault Diagnosis Using Small Datasets With Deep Convolutional Neural Network-Based Transfer Learning基于深度卷积神经网络迁移学习的基于小数据集的无预处理齿轮故障诊断.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Multisensor bearing fault diagnosis based on one-dimensional convolutional long short-term memory networksMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Background Representation Learning With Structural Constraint for Hyperspectral Anomaly Detection
PREAI
分享收藏
查看更多内容