Глубокое обучение для обнаружения аномалий
Deep Learning for Anomaly Detection: A Review
2021-03-05
SCID: 54.1/4v4yntzh
Discuss with AI
обнаружение аномалийглубокое обнаружение аномалийглубокое обучениеобнаружение новизныобнаружение выбросов
Figures from the paper
Abstract (AI)
Обнаружение аномалий, также известное как обнаружение выбросов или обнаружение новизны, на протяжении нескольких десятилетий остается устойчивой, но активно развивающейся областью исследований в различных научных сообществах. По-прежнему существуют уникальные сложности и проблемы, требующие применения передовых подходов. В последние годы обнаружение аномалий с использованием глубокого обучения, или глубокое обнаружение аномалий, стало важным направлением исследований. В статье представлен обзор исследований в области глубокого обнаружения аномалий на основе всеобъемлющей таксономии, охватывающей достижения в трех категориях верхнего уровня и одиннадцати детализированных категориях методов. Рассматриваются ключевые идеи, целевые функции, лежащие в основе допущения, преимущества и недостатки методов, а также обсуждается, каким образом они решают упомянутые выше проблемы. Кроме того, обсуждаются возможные перспективы дальнейших исследований и новые подходы к решению этих проблем.
Key Findings
1
Глубокое обнаружение аномалий стало важным направлением исследований благодаря недавним достижениям глубокого обучения.
2
Статья определяет перспективные направления и новые подходы для решения нерешённых сложностей в обнаружении аномалий.
3
Статья предлагает всеобъемлющую таксономию методов глубокого обнаружения аномалий, включающую три укрупнённые и одиннадцать детализированных категорий.
4
В обзоре анализируются интуитивные основы методов, целевые функции, предположения, преимущества, недостатки и способы решения ключевых задач обнаружения аномалий.
Research Object
методы глубокого обнаружения аномалий
Research Subject
их таксономии, интуитивные основы, целевые функции, допущения, преимущества, недостатки и способность решать задачи обнаружения аномалий
Publication Details
Publication Date
2021-03-05
Journal
ACM Computing Surveys
Publisher
Association for Computing Machinery
ISSN
0360-0300
Cited by
4013
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai12
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Градиентное обучение для распознавания документов1998
Непарный перенос изображений с помощью циклически согласованных состязательных сетей2017
Снижение размерности данных с помощью нейронных сетей2006
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Обучение представлений: обзор и новые перспективы2013
Обнаружение аномалий2009
Генеративные состязательные сети: обзор2018
Обнаружение аномалий в видеозаписях с камер наблюдения в реальных условиях2018
Обнаружение аномалий на основе изоляции2012
Работы, цитирующие эту статью10
Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий2021
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Финансовое мошенничество: обзор методов обнаружения аномалий и последних достижений2021
Прогнозная аналитика и машинное обучение для снижения рисков и повышения гибкости цепей поставок в реальном времени2023
Обзор методов объяснимого обнаружения аномалий2023
Обнаружение аномалий в графах с помощью графовых нейронных сетей: современное состояние и проблемы2022
Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований2025
Обнаружение аномалий в динамических графах: всесторонний обзор2024
Адаптивный путь глубокого обучения студентов и стратегия преподавания современного керамического искусства на фоне «Интернет+»2022
Сравнительная глубокая обучающая рамка для обнаружения аномалий в многомерных временных рядах телеметрии спутника2026