XiaoMi-AI文件搜索系统
World File Search SystemAnom
现实主义中的现实主义：使用Yolov8和Deit
在医学领域，由于患者人群中肿瘤的稀有性，对图像的可靠检测和分类仍然是巨大的挑战。在异常情况下检测肿瘤病例的能力对于确保及时干预和改善患者预后至关重要。这项研究通过利用深度学习（DL）技术来检测和分类具有挑战性的情况下的脑肿瘤来解决这一挑战。本研究采用深度学习（DL）技术来应对这一挑战，利用来自国家脑图实验室（NBML）的数据集，其中包括约81例患者，其中包括30例患者，其中包括30例肿瘤病例和51例正常情况。我们的方法包括两个阶段：检测和分类。在第一阶段，广泛的数据预处理模拟现实世界的条件，调整数据集以反映每种1例肿瘤病例的9例正常情况的异常分布。接下来，对Yolov8n模型进行了微调以检测肿瘤区域。为了评估该模型在患者水平上的表现，我们引入了患者对患者（PTP）度量，该指标评估了在整个人群中识别肿瘤病例的能力，而不是测量单个切片的性能。这种方法提供了模型可靠性更临床相关的评估。该模型的F1得分为0.98，PTP-F1得分为1.0，正确分类了测试人群中的所有患者。在分类阶段，数据有效的图像变压器（DEIT）用于从RESNET152教师模型中提取视觉变压器（VIT）模型。DEIT被选为其在小数据集上有效训练的能力。蒸馏分类器在20个时期后达到0.92，而RESNET152模型达到0.97，尽管计算成本较高，但达到了0.97。这项研究表明，在具有挑战性的情况下对脑肿瘤的可靠检测和分类方面有了显着的进步，从而提供了实用应用的潜力。
通过无监督的机器进行异常检测...
抽象的异常是一个实例或向量，与数据集中的其余observaɵ子不类似。此类异常的同性恋不仅是一项具有挑战性的任务，而且是一个高度相关的终结事件。已经开发了几种算法来应对异常中的两个主要问题：detecɵng异常的比较标准，以及将通常或预期向量与异常分开的阈值。异常检测是无监督收入的一个实例，因为没有外部标签或类别分配给研究的数据。实际上，异常探测算法旨在将标签分配给分析的数据，并且该标签是向量所属的类，这可以是预期的或通常的实例或常规类别类别的类别。
S05视频异常检测和理解
处理VAD的最常见方法是单级学习[1]，它仅在训练正常数据上训练异常检测模型，即没有异常，执行不同的辅助任务，例如重建和预测。主要的假设是对正常数据训练，模型无法正确重建或预测包含异常的视频帧。但是，此类方法只有在相当简单的数据集上表现良好，在这些数据集上可以通过视觉外观或运动来定义异常，并且在异常事件中包含高级语义信息（远程轨迹，个体或对象之间的相互作用）的视频上失败。存在其他方法来处理VAD，例如弱监督[2]或少量学习方法[3]。此类方法在培训中使用了一些异常示例，这些示例有助于捕获更复杂的异常，需要了解高级语义信息[4,5]。最近，视觉语言模型[6,7]由于能够处理图像和文本的能力而获得了很多知名度。他们的应用程序包括视觉问答（VQA），图像字幕和文本对图像搜索。在VAD中使用此类模型的优点在于它们不仅检测到视频异常，而且提供了它们的描述，这有助于更好地理解和解释发生异常[8]。在这次实习中，我们将使用VAD方法来处理需要通过在培训中使用一些异常样本来处理需要高级语义信息的异常。除了异常检测任务外，我们还将通过利用VLM模型来解决视频异常理解的问题。
使用机器学习的基于异常的恶意软件检测
网络安全工程系Paavai工程学院，印度泰米尔纳德邦Namakkal，摘要：恶意软件检测是网络安全的关键方面，传统的基于签名的方法证明不足以防止不断发展威胁。本期刊使用机器学习探索异常基本检测，通过识别与正常行为的偏差来识别恶意活动。所提出的系统利用机器学习算法来检测未知和零日恶意软件，从而通过适应新的威胁模式来增强网络安全。该研究研究了在现实世界环境中实施该系统的运营，经济和技术可行性。通过将先进的机器学习技术与基于异常的检测相结合，提出的系统代表了网络安全领域的重大进步。它旨在为新兴威胁提供更强大的防御机制，从而增强了针对已知和未知恶意软件的保护。本期刊不仅有助于开发前沿安全技术的发展，而且还为在动态和复杂的现实世界环境中实施这些系统的实际考虑提供了宝贵的见解。简介恶意软件多年来一直在显着发展，越来越复杂且难以捉摸，这使传统的检测方法（例如基于签名的方法）越来越无效。与基于签名的方法（反应性且仅限于已知威胁）不同，基于异常的检测旨在主动识别可能指示新形式或未知形式恶意软件的可疑行为。基于签名的检测取决于已知的恶意软件签名和模式的数据库；但是，这种方法与不匹配任何已知签名或多态性恶意软件的新兴威胁斗争，这些威胁不断地改变其外观以逃避检测。基于动物的检测是一种有希望的替代方案，通过专注于确定与系统或网络中正常行为的既定模式的偏差。这种方法利用机器学习技术来构建和维护正常活动的全面模型，从而使其能够识别和标记偏离该基线的异常模式。
无线电掩盖建模实验（Romex）
摘要：强大的2023–24厄尔尼诺尼诺（ElNiño）是否辜负了炒作？尽管气候预测是继承的概率，但许多用户将厄尔尼诺事件与预期影响的确定性映射（例如，湿或干燥区域）进行了比较。在这里，使用此事件作为指南，我们表明没有ElNiño完全匹配理想的图像，并且观察到的异常只会部分匹配预期的图像。实际上，气候异常与预期的ENSO影响与事件的强度相比的程度倾向于扩展。2023–24事件通常与美国各地的ENSO期望很好。但是，情况并非总是如此，因为分析表明，与历史ENSO的影响模式更大，而某些气候变量比其他偏见（例如温度）更容易出现（例如降水）。用户应将这种固有的不确定性纳入其风险和决策分析中。
引用发布版本（APA）：Ntelopoulos，A。和Nasrolllahi，K。（2024）。呼叫：级联自动编码器和视频异构的大型语言模型
摘要 - 本文使用3D深度自动编码器和大型视觉语言模型（LVLM）介绍了一种新方法，以弥合视频数据和多模式模型之间的差距，以进行视频异常检测。该研究探讨了先前架构的局限性，尤其是在遇到分布外实例时缺乏专业知识。通过在同一管道中集成自动编码器和LVLM，该方法可以预测异常的存在并提供详细的解释。此外，这可以通过采用二进制分类并自动提示新查询来实现。测试表明，系统的推论能力为工业模型的缺点提供了有希望的解决方案。但是，缺乏用于异常检测的高质量指导遵循视频数据需要一种弱监督的方法。公认的LLM领域的当前局限性，例如物体幻觉和低物理学感知，突出了需要进一步研究以改善视频异常检测域的模型设计和数据质量。
学习仅使用一个正常图像提示
摘要。使用自我发明变压器的无监督重建网络已通过单个模型实现了多级（统一）异常检测的最新性能。然而，这些自我注意重建模型主要基于目标特征，这可能会导致正常和异常特征的完美重建，这是由于与上下文的高度一致性，从而导致异常发生故障。此外，由于在低空间分辨率潜在的潜在空间中进行重建，这些模型通常会产生不准确的异常分割。为了使重建模型具有高效率，同时增强其对统一异常探测的概括，我们提出了一种简单而有效的方法，可以重建正常功能并仅使用一个正常图像提示（ONENIP）恢复异常功能。与以前的工作相比，Onenip首次仅用一个正常图像提示重建或恢复异常，从而有效地增强了统一的异常检测性能。此外，我们提出了一种有监督的炼油厂，该炼油厂通过使用实际正常和合成的异常图像来回归构造错误，从而显着改善了像素级异常分割。ONENIP优于三个行业异常脱轨基准的先前方法：MVTEC，BTAD和VISA。
使用机器学习的传感器数据中的异常检测
摘要： - 异常检测是工业环境中预测维护系统的关键组成部分。通过主动识别传感器数据中的异常模式和偏差，可以预测和减轻潜在的设备故障，然后才能导致昂贵的停机时间。机器学习技术已成为在工业系统生成的大量传感器数据流中自动化异常检测的强大工具。本文对基于机器学习的异常检测的最新目前进行了全面审查，以进行预测性维护，重点是应用于传感器数据的技术。我们讨论了工业传感器数据带来的独特挑战，包括高维度，噪声和复杂的时间依赖性。流行的异常检测算法，例如聚类，支持向量机和深度学习方法，以及用于数据预处理，功能工程和模型评估的策略。我们还重点介绍了最新进步，例如结合域知识以及使用增量学习来适应概念漂移。最后，我们讨论了开放的挑战和未来的研究方向，以推进工业系统预测维护的异常检测领域。
使用混乱工程研究Kafka簇的异常检测
分布式系统正在在IT组织中广泛采用。这些系统中的监视故障，包括松散的耦合应用程序，很麻烦，需要手动关注。本研究重点是在运行Kafka的沙箱中实现异常检测，以自动检测故障。用于训练和测试模型，“混乱工程”用于将受控故障注入系统。由于沙盒当前不在负载下，因此创建了负载模拟器以模拟五种不同的方案：恒定负载，线性增加负载，线性减小负载，正弦负载和现实生活中的场景负载。该研究还研究了从5、10到未来30分钟的各种预测范围上预测指标的能力。预测模型显示出不同的性能结果，具体取决于沙箱上的当前负载和预测度量，因为一些指标显示出较高的波动性，从而导致预测性能较差。总体而言，增加预测范围会导致预测较差，但在合理的利润率之内。该研究得出的结论是，CPU使用度量对于现实生活中的模拟以及所有模型的正弦载荷表现最佳。对于线性增加，消费者组滞后的指标对于所有型号都是最好的。该度量在线性减少载荷期间也对LSTM表现最好。但是，KNN最好的指标是网络错误增加和内存使用量。隔离森林的最佳指标是主题偏移。在整体模型性能方面，KNN是现实生活模拟和线性增加负载的最佳选择。对于持续的模拟，Kafka延迟是LSTM和KNN的最佳指标，而网络错误最适合隔离林。隔离森林最适合正弦，线性减少和恒定模拟。该研究还得出结论，与常规负载模拟相比，沙盒中的混乱工程能够注入足够的误差，以使模型对负载的反应不同。本研究中引入的新方法提供了一种方法，用于使用混乱工程在测试环境中建立机器学习模型，而无需生产数据或现实生活中的使用。
在时间图上的异常检测，以抑制多代理强化学习中对抗性通信
多代理增强学习（MARL）系统中的对抗沟通可能会对其性能产生重大的负面影响。这可能导致系统的次级优势，这是由于不正确或误导性信息引起的决策不良。以前的消除或减少对抗性交流的方法表明，在特定情况下，多代理通信的空间特征可用于检测。但是，它们的有效性是有限的，并且没有很好的文档，尤其是在复杂的场景和针对具有国防策略知识的恶意代理商中。此外，尽管许多先前的作品都集中在代理到代理交流的规范上，但其时间的性质和特征已在很大程度上被忽略了。在这项工作中，我们基于在时间图上的异常检测技术来测试许多不同的假设，以检测MARL系统中对抗性通信的检测和抑制。此外，我们提出了一种新颖的方法，并系统地评估了其在两个复杂的合作场景上使用各种不同的对手剂的有效性。最后，我们开发了一个框架，用于通过对抗性通信进行MARL实验，该实验可以为设计一致且可重现的实验提供统一的方法。