Generative Probabilistic Novelty Detection with Adversarial Autoencoders Introduction 这篇文章介绍了一种基于概率分布的异常检测方法。其基本思想是假设正常样本服从定义在流形\(M\)上的分布，而对于任意一点\(\bar x\)，通过投影到流形\(M\)上\(x^\parallel\)，可以分解为平行于切空间的部分\(x^\parallel\)和正交与切空间的部分\(x^\bot\)。原始的坐标\(\bar x\)被转换到\(x^\parallel\)局部坐 2020-06-06 Research Anomaly Detection Anomaly Detection GAN Novelty Detection
Classification-based Anomaly Detection for General Data Introduction 本文主要是对NIPS18这篇异常检测文章的改进，首先是利用了标签信息来提升算法的表现，其次是将算法扩展到了非图像数据。作者对现有的异常检测算法进行了回顾： Reconstruction Methods： 这一部分方法假设异常样本和正常样本能够通过重构任务来进行区分。通过在正常样本上学习重构任务，之后对于正常样本，模型能够很好地进行重构，而异常样本则会有较高的重构误 2020-06-02 Research Anomaly Detection Anomaly Detection
面向OpenPAI的Docker镜像配置及OpenPAI基本使用方法 Introduction 实验室服务器集群采用OpenPAI来进行GPU资源的管理，而OpenPAI采用了Docker作为基础，即代码都放在Docker容器中运行。由于Docker的使用、Docker镜像的配置都有一定的门槛，所以这里写一篇Tutorial来进行介绍。本文不是网上资料的拼凑，而是经过本人走弯路踩坑形成的"Best practice"。主要内容包括Docker的介绍、Docker的 2020-06-02 Technical Notes Misc Pytorch Tensorflow Docker
Ubuntu20.04LTS 深度学习环境配置 CUDA11 + cuDNN8 + Tensorflow + Pytorch Introduction Ubuntu的最新LTS版本也更新到了20.04，在给新机器配置深度学习环境的时候发现比以前容易了许多，特此写一篇Tutorial。这里的安装方法只针对Ubuntu20.04LTS，对于其他版本的系统可能不太适用。 Install GPU Drivers 这里假设安装系统之后已经做好了必要的配置（安装常用软件依赖、修改国内源等）。Ubuntu20.04中GPU驱动可 2020-06-02 Technical Notes Misc Pytorch Tensorflow
Deep Anomaly Detection Using Geometric Transformations Introduction 本文考虑图像数据的异常检测问题。与基于重构的方法不同，本文提出的方法通过对正常图片施加不同的几何变换之后，训练一个多分类器将无监督异常检测问题转化为一个有监督问题。本方法背后的直觉是在训练能够分辨不同变换后的图片之后，分类器一定学得了一些显著的几何特征，这些几何特征是正常类别独有的。 Proposed Method Problem Statement 本文考虑针对 2020-06-01 Research Anomaly Detection Anomaly Detection
Cross-dataset Time Series Anomaly Detection for Cloud Systems Introduction 本文介绍了一种用于云计算平台的时间序列异常检测框架。为了解决标签不足的问题，文中使用了迁移学习的方法，即在有标签的source domain上训练模型，在没有标签的target domain上检测。同时，文中还使用了主动学习的方法来挑选最有价值的无标签样本进行标记。 📰Get Paper Background 针对云计算平台数据的异常检测通常是应用在云监控数据， 2020-06-01 Research Anomaly Detection Anomaly Detection Transfer Learning
Learning Representations of Ultrahigh-dimensional Data for Random Distance-based Outlier Detection Introduction 本文提出了一种针对高维数据异常检测的表示学习方法。文中提出了RAMODO框架，一种基于排序的结合表示学习和异常检测的无监督框架。除此之外，基于RAMODO，文中还提出了基于此框架的模型REPEN。 Paper📰 Proposed Method The Proposed Framework: RAMODO Problem Statement 我们的目的是为高维 2020-05-06 Research Anomaly Detection Anomaly Detection Representation Learning
Deep Weakly-supervised Anomaly Detection Introduction 在文献中，因为标注成本的昂贵，无监督方法占据了异常检测的主要位置。然而，在现实生活中，我们可能会有少量标签，如何利用这部分标签信息就成为了一个问题，作者将其称之为anomaly-informed modeling。作者提出了两点挑战： 少量标签可能无法提供所有类型异常的信息； 大部分无标签数据为正常样本，但其中包含少部分异常（污染）。 作者提出了基于pai 2020-03-30 Research Anomaly Detection Anomaly Detection
Discovering Physical Concepts with Neural Networks Introduction 如题目所示，本文的目的是利用神经网络来发掘物理概念。其思路是从实验数据学到表示，然后用学到的表示来回答物理问题，由此物理概念可以从学到的表示来提取出。作者进行了4个实验： 在阻尼振动实验中，模型学到了相关的物理参数； 在角动量守恒实验中，模型预测了质点的运动； 给定量子系统的观测数据，模型正确的识别出了量子状态的自由度； 给定从地球观测的太阳和火星的位置时间 2020-03-01 Research Misc Deep Learning
Transfer Anomaly Detection by Inferring Latent Domain Representations Introduction 作者提出了一种利用迁移学习提升target domain异常检测性能的算法。文中指出现有的基于迁移学习的异常检测算法需要对每个 target domain 进行单独训练，这样做会带来很大的计算开销。本文通过latent domain vectors来实现无需重新训练的异常检测。latent domain vectors是domain的一种隐含表示，通过该domain中的 2020-02-27 Research Anomaly Detection Anomaly Detection Transfer Learning
