-
公开(公告)号：CN114638342A
公开(公告)日：2022-06-17
申请号：CN202210281370.1
申请日：2022-03-22
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于深度无监督自动编码器的图异常检测方法，属于无监督异常检测领域。由于使用半监督图异常检测算法来检测离群值时，获取有标签的网络节点数据既困难又昂贵，而现有的无监督图异常检测算法也普遍存在两个局限性，首先是现实世界的复杂网络表现出的高度非线性的特征很难用矩阵分解捕捉到，其次矩阵分解技术在更大的网络中不能很好的使用。针对以上问题，为了能够更合理地提取网络表示中的特征信息，本发明提出了一种基于深度无监督自动编码器的图异常检测方法，在生成网络嵌入时，使用随机梯度下降和封闭形式来更新网络，以更快地优化网络参数。其次通过识别网络的结构和属性以及联合结构和属性的嵌入来学习，以最大限度地减少离群值的影响。最终将本发明所提的网络模型应用于无监督异常检测领域，能达到提升检测异常的准确率的效果。
-
公开(公告)号：CN114638310B
公开(公告)日：2025-05-06
申请号：CN202210281313.3
申请日：2022-03-22
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084 , G06N3/094 , G06N3/092 , G06F123/02
Abstract: 本发明提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，属于时序数据分类领域。针对高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题，提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法。本发明创新性地将基于特征映射和基于对抗的两种领域适应方法结合，使用联合最大均值差异距离度量将源域和目标域映射到另一个空间进行对齐，同时还通过域对抗模型进行对抗训练，能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应。将所提的网络模型应用于时序数据的无监督分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
公开(公告)号：CN114638310A
公开(公告)日：2022-06-17
申请号：CN202210281313.3
申请日：2022-03-22
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，属于时序数据分类领域。针对高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题，提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法。本发明创新性地将基于特征映射和基于对抗的两种领域适应方法结合，使用联合最大均值差异距离度量将源域和目标域映射到另一个空间进行对齐，同时还通过域对抗模型进行对抗训练，能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应。将所提的网络模型应用于时序数据的无监督分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
-
Search Results
3
records
(took 0.014 seconds)
