首页|基于样本关联感知的无监督深度异常检测模型

基于样本关联感知的无监督深度异常检测模型

Sample-Correlation-Aware Unsupervised Deep Anomaly Detection Model

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
异常检测的目标是识别正常模式中的异常模式.如何充分利用数据的各种特征信息来识别异常是当前异常检测的研究热点之一.许多数据挖掘及机器学习等方面的智能算法都被用于异常检测规则训练以提高其检测性能.目前已有模型存在着对复杂数据处理困难、没有充分利用数据样本间关联特征等问题,从而造成异常检测效果不甚理想.基于此,本文提出一种基于样本关联感知的深度学习模型并用于异常检测.模型通过对样本的原始特征和样本间的关联关系进行深入分析,利用无向图结构来提取样本间的关联特征,然后基于由特征编码器和图编码器构成的双路自编码器实现对样本的原始特征和关联特征的融合,产生样本在低维特征空间中高质量数据嵌入,然后进行解码重构并计算重构误差和重构特征,最后设计基于高斯混合模型的估计网络,基于重构特征和高质量的数据嵌入估计样本的概率密度,通过给定阈值来进行异常检测.实验结果表明,本模型的异常检测各项性能指标均比其他基于机器学习和深度学习的异常检测方法提升了2％左右,参数、消融和噪声实验结果也较其他算法更稳定,可视化实验也能够突出本模型在数据特征提取和充分利用等方面的优势.

席亮、王瑞东、樊好义、张凤斌

展开 >

哈尔滨理工大学计算机科学与技术学院 哈尔滨 150080

异常检测 图神经网络 高斯混合模型 数据关联

本课题得到黑龙江省自然科学基金

F2018019

2021

10.11897/SP.J.1016.2021.02317

计算机学报
中国计算机学会 中国科学院计算技术研究所

计算机学报

CSTPCDCSCD北大核心
影响因子：3.18
ISSN：0254-4164
年,卷(期)：2021.44(11)
  • 5
  • 4