Deep Anomaly Detection with Deviation Networks Introduction 本文关注Deep Anomaly Detection，也就是用深度学习的方法来进行异常检测。文中提到现有的Deep Anomaly Detection存在两个弊端：一个是采用深度学习方法来进行特征学习，然后通过下游任务得到Anomaly Score，相比文中End-to-End的Anomaly Score学习，存在优化不充分的风险；另一个是现有的方法主要是无监督学习，无 2020-02-24 Research Anomaly Detection Anomaly Detection Deep Learning
Geant4 安装教程与调试环境配置 Introduction Geant4安装的教程很多，版本都很旧了，这里写一个新版本（10.6）基于Ubuntu的安装教程，并且开启CLion IDE调试。 Step 1: Download Packages 首先进入官网(http://geant4.web.cern.ch/support/download)下载源代码（推荐tar.gz格式）及数据文件，解压。新建一个文件夹专门用来放Gean 2020-01-31 Technical Notes Misc Geant4
Complementary Set Variational Autoencoder for Supervised Anomaly Detection Introduction 对于异常检测问题，异常的模式是多种多样的。有监督模型能够较好地处理训练集中出现过的模式，无监督模型能够处理训练集中未出现过的模式，但对于训练集中出现过的异常模型并没有学习。本文提出了一种既能学习训练集中出现过的异常模式，同时能处理未出现过的异常模式的方法。 Proposed Model Conventional VAE 首先回顾一下原始的VAE。 原始VAE中的 2020-01-09 Research Anomaly Detection Anomaly Detection VAE
Anomaly Detection in Streams with Extreme Value Theory Introduction 本文基于Extreme Value Theory提出了一种不需要手动设置阈值也不需要对数据分布作任何假设的时间序列异常检测方法。除此之外，本方法可以用在通用的自动阈值选择的场合中。 原文 Background 在很多情况下我们需要进行阈值的选择。阈值的选择可以通过实验的方法或者对数据分布进行假设的方法来得到，不过这样做通常不准确。借助Extreme Value T 2019-10-29 Research Anomaly Detection Time Series Machine Learning Statistics
An Introduction to Variational Autoencoders Deep Generative Models 生成模型是指一系列用于随机生成可观测数据的模型。假设在一个高维空间\(\mathcal{X}\)中，存在一个随机向量\(\mathbf{X}\)服从一个未知的分布\(p_r(x),x\in \mathcal{X}\)。生成模型就是根据一些可观测的样本\(x^{(1)},x^{(2)},\cdots,x^{(N)}\)来学习一个参数化的模型\(p_\t 2019-10-22 Research Tutorial Deep Learning Variational Inference VAE
Recurrent Neural Networks for Multivariate Time Series with Missing Values Abstract 文中提出了一种可以处理带缺失值多为时间序列的GRU模型：GRU-D。本模型不仅可以捕捉时间序列中的长期依赖模式，并且还能利用时间序列中的缺失模式来达到更好的时间序列预测效果。 原文 Methodology Notations 记包含\(D\)个变量的多变量时间序列为\(X=(x_1,x_2,\cdots,x_T)^T\in\mathbb{R}^{T\times D}\) 2019-10-18 Research RNN Time Series Deep Learning RNN
Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network Abstract 本文提出了OmniAnomaly：一种针对多变量时间序列的随机循环神经网络异常检测算法。该模型运用了一系列技术来捕捉多变量时间序列的正常模式，并在检测阶段基于重构误差来检测异常，同时本文还提供了一定的理论解释。 原文 Contribution 提出了OmniAnomaly，一种基于随机循环神经网络的多变量时间序列异常检测算法； 提出了针对多变量时间序列异常检测的解释 2019-10-18 Research Anomaly Detection Time Series Anomaly Detection Machine Learning Deep Learning VAE RNN Flow-based Model
GAIN: Missing Data Imputation using Generative Adversarial Nets Abstract 本文基于GAN提出了一种时间序列缺失值填充（Time Series Imputation）的方法。其主要的思路为生成器\(G\)从隐空间\(Z\)生成完整的样本，而判别器\(D\)则输出样本中不同部分为真实的概率。除此之外，作者提出了使用Hint Vector来揭示原始数据中缺失部分的信息，来优化训练过程。 原文 Methodology Problem Formulati 2019-10-16 Research Time Series Imputation Time Series Deep Learning GAN
Anomaly Detection with Generative Adversarial Networks for Multivariate Time Series Introduction 这篇文章提出了一个基于GAN的时间序列异常检测模型。 原文 Contribution 提出了基于GAN的时间序列无监督异常检测模型 我们使用基于LSTM的GAN来对多变量时间序列进行建模 结合使用了Residual Loss和Discrimination Loss来进行异常的判断 Background Generative Adversarial 2019-09-22 Research Anomaly Detection Time Series Anomaly Detection Machine Learning Deep Learning
ALSR: An Adaptive Label Screening and Relearning Approach for Interval-Oriented Anomaly Detection Introduction 本文针对面向区间的KPI异常检测提出了Label Screening方法和Relearning Algorithm. 原文 Contribution 提出了一种Label Screening方法来对区间内不同重要性进行过滤 提出了一种Relearning Algorithm来对FP和TP进行Relearning，在不减少Recall的条件下增大Precisi 2019-09-22 Research Anomaly Detection Time Series Anomaly Detection Machine Learning Deep Learning
