.png){kind=icon}
返回
Generative adversarial message passing-based anomaly detection
.png){kind=icon}
OA
AI
DOI：10.1007/s44443-025-00021-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常检测在确保机械设备操作的安全性和其他关键系统的可靠性方面发挥着关键作用。现有的基于生成对抗网络（GANs）的异常检测方法局限于学习全局分布，缺乏对局部特征和物体间关系的敏感性，特别是在稀疏区域或检测低偏差局部异常物体时表现较差。为克服这一挑战，我们提出了一种基于生成对抗信息传递（GAMP）的方法。首先，在无监督条件下，生成对抗网络（GANs）被约束以合成与原始数据集中正常物体匹配的数据。随后，利用原始数据和合成数据构建无向图。然后，在此图中的节点之间进行信息传递。最后，基于物体间的差异有效识别异常物体。在十二个具有不同分布的公开可用数据集上的实验结果表明，GAMP方法优于第二佳的竞争算法，AUC提升了10.7%。此外，在多个公开数据集上的一致性能突显了GAMP在工业自动化、金融和医疗保健等领域中的广泛应用潜力和实际意义。通过为智能设备监控和安全保障提供有效解决方案，GAMP有望提升各行业中关键系统的可靠性。
Keyword:
Message passing
Generative adversarial nets
Anomaly detection
Outlier detection
期刊
J
IF:
6.1
论文数:
109
被引数:
9.5K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏
分享收藏分享收藏
查看更多内容