異常指的是罕見的觀察(例如，數據記錄或事件)與其他數據有顯著差異。在過去的四十年中，由于異常在許多學科(如計算機科學、化學和生物學)中的重要意義，異常研究受到了極大的關注。異常檢測，旨在識別這些罕見的觀察，是最重要的任務之一，并已顯示出它的力量，以防止有害事件，如財務欺詐和網絡入侵的發生。檢測任務通常是通過檢測特征空間中的離群數據點來解決的，本質上忽略了真實數據中的結構信息。圖被廣泛用于保存結構信息，這就提出了圖異常檢測問題-識別異常圖對象(即節點、邊和子圖)。然而，由于圖數據的復雜性(如結構不規則、非獨立和大規模)，傳統的異常檢測技術不能很好地解決這一問題。由于深度學習在突破這些局限方面的能力，利用深度學習進行圖異常檢測的研究近年來得到了加強。
在這個綜述中，我們的目的是提供一個系統和全面的深度學習圖異常檢測的綜述。具體來說，我們的分類遵循任務驅動的策略，并根據現有作品能夠檢測到的異常圖對象對其進行分類。我們特別關注現有作品的動機、關鍵啟示和技術細節。我們還總結了開源的實現、公共數據集和常用的評估指標，以供未來研究使用。最后，根據我們的綜述結果，我們強調了12個未來的研究方向，包括圖數據、異常檢測和實際應用引入的新問題。
引言
1969年，Grubbs[1]首次將異常或離群值定義為“明顯偏離樣本中其他成員的異常值”。19世紀，統計學界開始了對異常檢測的研究。在大多數情況下，異常可能表現為社交垃圾郵件發送者或社交媒體中的錯誤信息;社交網絡中的騙子、機器人往給應用領域帶來巨大的破壞。
在計算機科學中，異常檢測的研究可以追溯到20世紀80年代，從那時起，在圖數據上檢測異常就成為了一種重要的數據挖掘范式。在過去的十年中，真實對象之間的連接的爆發和圖形數據挖掘的進步已經使我們對圖異常檢測的識別發生了革命性的變化，在過去的5年里，這個研究領域受到了極大的關注。最顯著的變化之一是，圖異常檢測已從嚴重依賴人類專家的領域知識演變為機器學習技術，以消除人類干預，最近，各種深度學習技術已被采用，以更準確和實時地識別圖中的潛在異常。當代越來越多的基于深度學習的圖異常檢測技術已經部署到很多實際應用中，包括: 財務詐騙檢測、社交垃圾郵件檢測、網絡入侵檢測、誤信息檢測、工業系統損害檢測等，并成功減少異常損害。因此，深度學習的圖異常檢測作為一項前沿技術，有望在異常檢測方面產生更豐碩的成果，為每個人提供更有說服力的生活保障。
異常在不同的應用領域又稱異常值、異常、特性等，是指與標準、正常或預期有顯著差異的異常對象。例如，社交網絡中的垃圾郵件、社交媒體中的假新聞、計算機網絡中的異常流量等，都是我們日常生活中眾所周知的異常現象。盡管這些對象在現實世界中很少出現，但它們包含支持下游應用的關鍵信息。例如，欺詐者的行為為反欺詐檢測提供了證據，網絡異常流量為網絡入侵保護提供了信號。異常現象在很多情況下也會產生一系列的負面影響，例如社交媒體上的假新聞會誤導公眾的注意力[2]-[4]，在線評論系統中不可信的評論會影響消費者的購物選擇[5]-[7]，網絡入侵可能會泄露私人個人信息給黑客[8]- [11]，金融欺詐會對經濟系統造成巨大的破壞。事實上，異常已經受到了不同學科的研究人員的極大關注，而且最近在廣泛的實際應用中檢測潛在異常的需求越來越大。
異常檢測是一種數據挖掘過程，目的是識別數據集[15]-[17]中偏離大多數的異常模式。異常可能以異常數據記錄、消息、事件、組和/或其他意外觀察的形式出現。為了檢測異常,傳統技術更愿意代表真實世界的對象作為特征向量(例如,新聞在社會媒體被表示為bag-of-words[18],在網頁和圖像表示為顏色直方圖[19]),然后檢測外圍數據點的向量空間[20]-[23],如圖1所示(一個)。盡管這些技術在表格數據格式下定位偏離數據點方面表現出強大的能力，但它們本質上拋棄了對象[24]之間的復雜關系。在現實中，許多對象之間存在著豐富的關系，可以為異常檢測提供有價值的互補信息。以在線社交網絡為例，可以使用正常用戶的有效信息創建虛假用戶，也可以通過模仿良性用戶的屬性[25]，[26]來偽裝自己。因此，虛假用戶和良性用戶具有相同的特征，傳統的異常檢測技術無法僅利用特征信息進行識別。同時，虛假用戶往往會與大量的良性用戶建立關系，增加自己的聲譽和影響力，從而獲得意想不到的好處，但良性用戶很少會出現[27]這樣的活動。因此，這些由虛假用戶形成的緊密而意外的聯系表明了他們的偏差到良性的，更全面的檢測技術應該考慮這些結構信息來消化異常的偏差模式。
在社會活動、電子商務、生物、學術和通信等諸多應用領域中，用圖形表示結構信息已經得到了廣泛的應用。具體來說，在圖中，節點/頂點表示真實的對象，邊表示它們的關系。利用圖中包含的結構信息，檢測圖中的異常在非歐空間中提出了一個更為復雜的異常檢測問題——圖異常檢測，其目的是識別異常的圖對象(即節點、邊或子圖)[24]，[34]，[35]。以圖1(b)為例，在給定在線社交網絡的情況下，圖異常檢測的目的是分別識別出異常節點(即惡意用戶)、異常邊緣(即異常關系)和異常子圖(即惡意用戶組)。因此，傳統的異常檢測技術不能直接用于圖的異常檢測，因為這些異常不能在歐幾里得特征空間中直接表示，近年來研究人員加強了對圖異常檢測的研究。
事實上，關于圖異常檢測的研究工作很少。在該領域的早期工作中，檢測方法大量依賴于領域專家[24]，[36]-[38]建立的手工特征工程或統計模型。這本質上限制了這些技術檢測未知異常的能力，而且這是非常需要人力的工作。許多機器學習技術，如矩陣分解[39]和支持向量機[40]，也已經被用于檢測圖的異常。然而，現實世界的網絡往往包含數以百萬計的節點和邊，這導致了非常高維和大規模的數據，這些技術不能有效地處理這些數據。實際上，它們在存儲和執行時間[41]上都表現出很高的計算開銷。然而，它們缺乏捕捉真實對象[23]的非線性屬性的能力，因此它們學習的實體表示不夠表達，無法完全支持圖異常檢測。
為了解決這些問題，最近的研究尋求采用深度學習技術來識別異常圖對象[52]-[54]的潛力。作為數據挖掘的有力工具，深度學習在數據表示和模式識別方面取得了相當的成功，因為它的深度結構很好地解決了上述傳統機器學習技術在實踐中遇到的問題。最近的研究，如深度圖表示學習和圖神經網絡(GNN)，進一步豐富了深度學習對圖數據挖掘[58]-[61]的能力。通過提取圖形異常和正常對象的表達，或者通過深度學習技術直接學習異常的偏離模式，利用深度學習進行圖形異常檢測是目前異常檢測的前沿技術。由于異常檢測和圖數據挖掘的復雜性，采用深度學習技術進行圖異常檢測也面臨著巨大的挑戰[62]-[68]。因此，我們總結了這一領域的八個主要挑戰，并在附錄A中提供它們。
付費5元查看完整內容
相關內容
在數據挖掘中，異常檢測（英語：anomaly detection）對不符合預期模式或數據集中其他項目的項目、事件或觀測值的識別。通常異常項目會轉變成銀行欺詐、結構缺陷、醫療問題、文本錯誤等類型的問題。異常也被稱為離群值、新奇、噪聲、偏差和例外。
特別是在檢測濫用與網絡入侵時，有趣性對象往往不是罕見對象，但卻是超出預料的突發活動。這種模式不遵循通常統計定義中把異常點看作是罕見對象，于是許多異常檢測方法（特別是無監督的方法）將對此類數據失效，除非進行了合適的聚集。相反，聚類分析算法可能可以檢測出這些模式形成的微聚類。
有三大類異常檢測方法。[1] 在假設數據集中大多數實例都是正常的前提下，無監督異常檢測方法能通過尋找與其他數據最不匹配的實例來檢測出未標記測試數據的異常。監督式異常檢測方法需要一個已經被標記“正常”與“異常”的數據集，并涉及到訓練分類器（與許多其他的統計分類問題的關鍵區別是異常檢測的內在不均衡性）。半監督式異常檢測方法根據一個給定的正常訓練數據集創建一個表示正常行為的模型，然后檢測由學習模型生成的測試實例的可能性。
【導讀】ACM SIGKDD（國際數據挖掘與知識發現大會，簡稱 KDD）是世界數據挖掘領域的最高級別的學術會議，由 ACM 的數據挖掘及知識發現專委會（SIGKDD）主辦，被中國計算機協會推薦為 A 類會議。自 1995 年以來，KDD 已經連續舉辦了26屆，今年將于2021年8月14日至18日舉辦，今年的會議主辦地在新加坡。
來自 Adelaide大學的研究人員在KDD2021上將給出關于可解釋深度異常檢測的教程，非常值得關注!
異常檢測可以為許多安全關鍵或具有商業意義的現實世界應用提供重要的洞察，如極端氣候事件檢測、機械故障檢測、恐怖主義檢測、欺詐檢測、惡意URL檢測，僅舉幾例。由于這個意義，它已經被廣泛研究了幾十年，有許多淺顯的方法被提出。然而，這些方法面臨著各種數據復雜性的挑戰，如高維性、數據相關性、數據異構性等。近年來，深度學習在解決這些復雜性方面取得了巨大的成功，在廣泛的應用中，但由于異常的一些獨特特征，例如稀罕性、異質性、無界性、以及收集大規模異常數據的高昂成本。因此，針對異常檢測的深度學習技術進行了大量的研究。這些研究表明，在解決淺層異常檢測方法在不同應用環境中失敗的一些主要挑戰方面取得了巨大成功。
在本教程中，我們旨在全面回顧基于深度學習的異常檢測和解釋的進展。首先介紹了12類最先進的深度異常檢測方法的關鍵直覺、目標函數、基本假設和優缺點。異常解釋通常與異常檢測一樣重要，這對于深度檢測模型——“黑箱”模型尤其如此，因此我們也介紹了一些用于為深度檢測模型提供異常解釋的原則方法。與許多其他數據挖掘任務相比，深度異常檢測的探索要少得多。我們旨在通過本教程積極推動其在算法、理論和評估方面的發展。
付費5元查看完整內容
摘要： 圖異常檢測旨在大圖或海量圖數據庫中尋找“陌生”或“不尋常”模式，具有廣泛的應用場景.深度學習可以從數據中學習隱含的規律，在提取數據中潛在復雜模式方面表現出優越的性能. 近年來隨著基于深度神經網絡的圖表示學習取得顯著進展，如何利用深度學習方法進行圖異常檢測引起了學術界和產業界的廣泛關注. 盡管最近一系列研究從圖的角度對異常檢測技術進行了調研，但是缺少對深度學習技術下的圖異常檢測技術的關注. 首先給出了靜態圖和動態圖上各類常見的異常定義，然后調研了基于深度神經網絡的圖表示學習方法，接著從靜態圖和動態圖的角度出發，梳理了基于深度學習的圖異常檢測的研究現狀，并總結了圖異常檢測的應用場景和相關數據集，最后討論了圖異常檢測技術目前面臨的挑戰和未來的研究方向.
//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2021.20200685
圖作為一種通用的數據結構,被廣泛用于表示 復雜的結構化數據．相對于其他數據結構,它能更好 地存儲和表達實體及其聯系．現實世界中,圖在社交 網絡分析、Web網絡分析、交通路網優化、知識圖譜 構建等領域均有廣泛的應用．針對這些語義豐富、樣 式多樣、規模龐大的圖數據,如何快速、準確地檢測 其中的異常引起了學術界和產業界的廣泛關注．圖 異常檢測是指在一個大圖或海量圖數據庫中尋找包 含“陌生”或者“不尋常”模式的結構(包括節點、邊或 者子圖),具有廣泛的應用場景,例如英特網中的惡 意攻擊、社交網絡中的突發事件檢測、電子商務中的 水軍發現等．相較于傳統的異常檢測方法,基于圖的 異常檢測由于圖具有強大的表達能力,不僅可以將 復雜的數據加以直觀的呈現,同時也能將數據中隱 含的相關性融入到異常檢測過程中．
面向圖的異常檢測工作最早發表于２００３年[１], 現有工作大致可分為基于靜態圖和基于動態圖 ２ 類．在基于靜態圖的異常檢測工作中,一類方法利用 ego網絡[２]或者基于團體[３]研究問題;一類方法基 于圖的結構信息進行異常檢測[４Ｇ６],也有一些工作基 于子空間選擇,試圖在節點特征的子空間中發現異 常[７Ｇ９]．還有一些工作通過概率、統計方法獲取圖的 統計信息進行異常檢測[１０Ｇ１３]．盡管這些工作在異常 檢測上取得了不錯的進展,但這些方法如利用ego 網絡的方法,由于處理圖數據,必須考慮節點之間的 交互,在圖較為稀疏時難以實現較好的效果;或者如 子空間選擇和統計方法,由于淺層學習機制難以綜 合利用節點的屬性和結構信息．在基于動態圖的異 常檢測方面,同樣有一些工作基于團體[１４Ｇ１５]、基于結 構[６,１６]、或基于概率統計[１７Ｇ１９]進行異常檢測．另外一 類典型的方法是首先獲取圖的概要,然后通過聚類 和異常 檢 測 來 確 定 概 要 中 的 異 常,例 如 文 獻 [２０Ｇ ２１],但是這些方法獲得的概要無法保留重要的結構 信息,比如鄰接節點的信息．現有的基于動態圖的異 常檢測方法大多依賴于啟發式規則,通常只是簡單 地考慮某一類特征;雖然有部分方法[２２Ｇ２３]考慮了內 容甚至時間因素,但并不靈活,導致其應用局限于特 定的場景．
近年來,深度學習成為人工智能和機器學習中極為重要的部分,在提取數據中潛在復雜模式方面 表現出優越的性能,并在音頻、圖像和自然語言處理 等領域得到了廣泛應用．深度學習方法能夠合理處 理復雜的屬性信息,并且可以從數據中學習隱含的 規律;此外,通過神經網絡對圖進行嵌入不僅可以很 好地保留信息[２４Ｇ２６],還可以很好地處理節點或邊的 屬性,同時保留結構信息,進而方便檢查隱空間中節 點或邊表示的相似性．近年來隨著對圖進行嵌入表 示取得顯著進展,如何利用深度學習方法進行圖異 常檢測在過去幾年中吸引了廣泛關注．基于深度學 習的圖異常檢測方法通常使用圖的嵌入表示方法先 將圖表示為隱空間中的向量,然后使用該向量重構 圖從而剔除異常信息的影響,最后通過重構誤差進 行異常檢測．
關于異常和離群點檢測,已經存在非常全面的 綜述類文章,例如Zimek等人[２７]重點介紹了關于高 維離群值檢測,Schubert等人[２８]討論了局部離群值 檢測技術．但是,這些文章通常關注多維數據實例的 點,沒有或者不是直接地關注基于圖的檢測技術．盡管文獻[２９]從圖的角度對異常檢測技術進行了調 研,但是缺少對深度學習技術下的圖異常檢測技術 的關注．與以往關于異常檢測的綜述不同,本文專注 于大圖或海量圖數據庫中的異常檢測,并對基于深 度學習的圖異常檢測技術進行全面地梳理和總結, 是最早聚焦基于深度學習的圖異常檢測技術方面的研究綜述．
本文首先對圖上的異常定義做了全面的分析, 然后詳細介紹了基于深度神經網絡的圖表示學習方 法,接著從靜態圖和動態圖的角度出發,對現有基于 深度學習的圖異常檢測方法進行系統地總結和歸 類,并討論相關方法的局限性．接著簡單介紹圖異常 檢測技術的實際應用場景和相關的數據集,最后討論基于深度學習的圖異常檢測研究面臨的挑戰及未 來可行的研究方向．本文期望通過對目前基于深度 學習的圖異常檢測研究現狀的梳理,為后續研究提 供可借鑒的思路．
付費5元查看完整內容
深度學習在計算機視覺和語言理解領域取得了驚人的成功，受此影響，推薦研究已經轉向了基于神經網絡的新推薦模型的發明。
近年來，神經網絡推薦模型的發展取得了顯著的進展，由于神經網絡具有強大的表示能力，使得傳統的推薦模型得到了推廣和超越。
在本文中，我們對神經推薦模型進行了系統性回顧，旨在對該領域進行總結，以促進未來的發展。與現有的基于深度學習技術分類法對現有方法進行分類的調研不同，我們從推薦建模的角度對該領域進行了總結，這可能對研究推薦系統的研究者和從業者更有指導意義。
具體來說，我們根據他們用于推薦建模的數據將工作分為三種類型:
-
協同過濾模型，它利用了用戶-物品交互數據;
-
內容豐富模型，利用與用戶和物品相關的側面信息，如用戶檔案和物品知識圖譜;
3)上下文豐富模型，它解釋了與互動相關的上下文信息，如時間、地點和過去的互動。
在回顧了每種類型的代表性工作后，我們最后討論了該領域的一些有前途的方向，包括標桿推薦系統、基于圖推理的推薦模型，以及可解釋和公平的社會公益推薦。
//www.zhuanzhi.ai/paper/cbf33028b44f85138520717fd1d72792
由于互聯網的擴散，信息過載在人們的每一個生活中都是一個日益嚴重的問題。與搜索引擎一樣，推薦系統是緩解信息過載問題的有效解決方案，方便用戶尋找所需信息，增加服務提供商的流量和收入。它已經被廣泛應用于電子商務、社交媒體網站、新聞門戶、應用商店、數字圖書館等。它是現代信息系統中最普遍的以用戶為中心的人工智能應用之一。
關于推薦的研究可以追溯到20世紀90年代的[1]，在那個年代早期的工作開發了許多基于內容的啟發式和協同過濾(CF)[2]。由于Netflix的挑戰，Matrix Factorization (MF)[3]后來很長一段時間(從2008年到2016年)成為主流推薦模型[4]，[5]。然而，因子分解模型的線性性質使其在處理大而復雜的數據時效率較低。復雜的用戶-物品交互，這些物品可能包含復雜的語義(例如，文本和圖像)，這需要對它們進行徹底的理解。大約在2010年中期的同一時期，機器學習領域的深度神經網絡(deep neural networks，又稱“深度神經網絡”)興起。(比如深度學習)已經在語音識別、計算機視覺和自然語言處理等領域產生了革命性的變化。深度學習的巨大成功源于神經網絡相當大的表達能力，尤其有利于從具有復雜模式的大數據中學習。這自然為推薦技術的發展帶來了新的機會。毫不奇怪，在過去的幾年中出現了很多關于開發神經網絡方法的推薦系統的工作。在這項工作中，我們的目的是提供一個系統的回顧推薦模型使用神經網絡-稱為“神經推薦模型”。這是當前推薦研究中最熱門的話題，不僅近年來取得了許多令人興奮的進展，而且顯示出了成為下一代推薦系統的技術基礎的潛力。
我們專注于物品推薦的一般任務，即向用戶推薦項目，而忽略了對其他推薦任務的討論，如向一組用戶推薦物品、特定領域推薦(如教育推薦和時尚推薦)。此外，我們專注于利用單個域的數據的工作，而忽略了關于跨域推薦[8]的討論。我們的目標是提供一個單一領域的一般性項目推薦的全面綜述，并幫助青年研究者掌握該領域的主要研究方向。
本次綜述的組織結構如下。在第2節中，我們將回顧使用ID和交互歷史進行建模的協同過濾模型。在第3節中，我們回顧了將用戶和商品的側面信息整合到推薦中的模型，如用戶簡介和社交網絡、商品屬性和知識圖譜。我們將它們稱為內容豐富的模型，它通過集成側信息自然地擴展了CF。在第4節中，我們將回顧解釋上下文信息的模型。上下文數據與每個用戶-項目交互相關聯，例如時間、位置和過去的交互序列。上下文感知模型基于上下文數據進行預測。由于頁面限制，我們主要關注時間信息，這是最常見的上下文數據之一。最后，對研究結果進行了總結，并提出了展望。
付費5元查看完整內容
異常檢測最新綜述論文
摘要
異常檢測(AD)問題具有重要的意義，近年來引起了許多研究者的關注。
因此，在這一研究領域提出的方法數量穩步增加。AD與重要的計算機視覺和圖像處理任務(如圖像/視頻異常、不規則和突發事件檢測)密切相關。最近，深度神經網絡(DNNs)提供了一組高性能的解決方案，但代價是高昂的計算成本。然而，在前面提出的方法和可應用的實際方法之間有一個明顯的差距。
考慮到對AD的關注是一個持續的具有挑戰性的問題，尤其是在圖像和視頻中，是時候討論一下試圖處理視覺AD任務的方法的陷阱和前景了。因此，在本次綜述中，我們打算對基于圖像/視頻深度學習的AD方法進行深入調研。并對當前面臨的挑戰和未來的研究方向進行了深入探討。
引言
異常檢測(AD)是指檢測出可用的訓練數據中很少出現甚至不存在的樣本和事件。事實上，AD就是尋找看不見的概念的過程。一般來說，在AD環境中，有大量的數據實例遵循目標類分布，即正常數據。另一方面，屬于分布外類(離群值)的樣本不存在，或者很難訪問，但代價是很高的計算成本。總之，任何未知的分布都可能導致異常，從而導致非常復雜的學習過程。因此，研究人員建議將所有正常數據中的共享概念提取為一個(幾個)參考模型，而不是學習不規則性[Bertini et al., 2012; Sabokrou et al., 2015]。在測試階段，一個實例與該模型的偏差表明它是否是異常。圖1顯示了AD概念的總體草圖。
就數據類型而言，AD任務可能會遇到各種困難。AD算法普遍存在的缺點是: (1)高誤報率: 在大多數AD應用中，檢測異常事件被認為比識別正常數據更為重要和關鍵。例如，在監視系統中，如果只忽略一個異常行為，即將異常檢測為正常事件，就會完全損害監視系統的可靠性和安全性。因此，為了自信地檢測出所有的離群值，容忍更多一點的假陽性率是合理的。然而，高的誤報率帶來了不可靠和無效，(2) 高的計算成本: 以前的大多數工作過于復雜，無法在現實應用中快速而恰當地進行操作，(3) 標準數據集無法用于評估: 可用數據集與現實情況相差甚遠。事實上，為了全面研究該研究領域提出的解決方案，獲得更真實和有代表性的數據集是至關重要的。上述缺點證實AD任務面臨著若干需要有效解決的持續挑戰。此外，最近提出的方法只關注簡單場景中的性能。考慮圖像/視頻AD方法的不同方面是一個關鍵的步驟，以改善目前的尖端技術。
受深度神經網絡(DNNs)在不同研究領域的巨大成功的啟發，一系列基于深度學習的解決方案被提出來處理AD任務。他們中的一些人取得了很大的成績。然而，實現和再現性方面的困難，特別是基于生成對抗網絡(GANs)的困難[Goodfellow等人，2014a]，以及高計算開銷仍然被認為是嚴重的挑戰。調查的范圍。到目前為止，已經提供了一些信息豐富和有價值的調查。我們簡要地提一下這一領域的一些最新作品。[Chlapathy and Chawla, 2019]關注深度AD用于不同的任務，如入侵檢測系統、視頻監控、醫療等。[Ruff et al., 2019]提出了深度AD的框架以及一般半監督的深度AD問題的實驗場景。針對視頻AD的不同深度學習檢測技術已由[Suarez and Naval Jr, 2020]涵蓋。
為了彌補現有的差距，我們提出了一種新的基于深度學習的圖像/視頻AD分類方法。我們強調無監督方法，因為他們的普遍性，適用性在現實問題和日益流行。在具體研究了每一種類別和最新的方法之后，我們表達了圖像/視頻AD任務中具有挑戰性的方面、開放的問題和未來工作的有效方向。
付費5元查看完整內容
異常檢測
·
近年來，隨著web2.0的普及，使用圖挖掘技術進行異常檢測受到人們越來越多的關注.圖異常檢測在欺詐檢測、入侵檢測、虛假投票、僵尸粉絲分析等領域發揮著重要作用.本文在廣泛調研國內外大量文獻以及最新科研成果的基礎上，按照數據表示形式將面向圖的異常檢測劃分成靜態圖上的異常檢測與動態圖上的異常檢測兩大類，進一步按照異常類型將靜態圖上的異常分為孤立個體異常和群組異常檢測兩種類別，動態圖上的異常分為孤立個體異常、群體異常以及事件異常三種類型.對每一類異常檢測方法當前的研究進展加以介紹，對每種異常檢測算法的基本思想、優缺點進行分析、對比，總結面向圖的異常檢測的關鍵技術、常用框架、應用領域、常用數據集以及性能評估方法，并對未來可能的發展趨勢進行展望.
//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6100&flag=1
付費5元查看完整內容
視頻中的異常檢測是一個研究了十多年的問題。這一領域因其廣泛的適用性而引起了研究者的興趣。正因為如此，多年來出現了一系列廣泛的方法，這些方法從基于統計的方法到基于機器學習的方法。在這一領域已經進行了大量的綜述，但本文著重介紹了使用深度學習進行異常檢測領域的最新進展。深度學習已成功應用于人工智能的許多領域，如計算機視覺、自然語言處理等。然而，這項調查關注的是深度學習是如何改進的，并為視頻異常檢測領域提供了更多的見解。本文針對不同的深度學習方法提供了一個分類。此外，還討論了常用的數據集以及常用的評價指標。然后，對最近的研究方法進行了綜合討論，以提供未來研究的方向和可能的領域。
付費5元查看完整內容
深度學習(DL)容易受到分布外出和對抗性樣本的影響，從而導致不正確的輸出。為了使DL更健壯，最近提出了幾種后方法異常檢測技術來檢測(并丟棄)這些異常樣本。本研究試圖為基于DL的應用程序異常檢測的研究提供一個結構化的、全面的綜述。我們根據現有技術的基本假設和采用的方法為它們提供了一個分類。我們討論了每個類別中的各種技術，并提供了這些方法的相對優勢和劣勢。我們在這次調查中的目標是提供一個更容易，但更好地理解技術屬于不同的類別，在這方面的研究已經做了。最后，我們強調了在DL系統中應用異常檢測技術所面臨的未解決的研究挑戰，并提出了一些具有重要影響的未來研究方向。
付費5元查看完整內容
【導讀】圖像分割（Image Segmentation）是計算機視覺的經典問題之一，受到了廣泛關注，每年在各大會議上都有大量的相關文章發表。在前深度學習時代有大量的方法提出，比如分水嶺、GraphCut等。隨著深度學習的興起，大量的算法提出如R-CNN、Mask-RCNN等。最近來自紐約大學、滑鐵盧大學、UCLA等學者發布了深度學習圖像分割最新綜述論文，涵蓋20頁pdf168篇參考文獻，調研了截止2019年提出的100多種分割算法，共分為10類方法。對近幾年深度學習圖像分割進行了全面綜述，對現有的深度學習圖像分割研究進行梳理使其系統化，并提出6方面挑戰，幫助讀者更好地了解當前的研究現狀和思路。可作為相關領域從業者的必備參考文獻。
題目：Image Segmentation Using Deep Learning: A Survey
作者：Shervin Minaee, Yuri Boykov, Fatih Porikli, Antonio Plaza, Nasser Kehtarnavaz, and Demetri Terzopoulos
摘要
圖像分割是圖像處理和計算機視覺領域的一個重要課題，其應用領域包括場景理解、醫學圖像分析、機器人感知、視頻監控、增強現實和圖像壓縮等。研究者們提出了各種圖像分割算法。最近，由于深度學習模型在廣泛的視覺應用中取得了成功，已經有大量的工作致力于開發使用深度學習模型的圖像分割方法。在本次綜述中，我們全面回顧了撰寫本文時的論文，涵蓋了語義級和實例級分割的廣泛先驅工作，包括全卷積像素標記網絡、編碼器-解碼器架構、基于多尺度和金字塔的方法、遞歸網絡、視覺注意力模型和在對抗環境下的生成模型。我們調研了這些深度學習模型的相似性、優勢和挑戰，研究了最廣泛使用的數據集，報告了性能，并討論了該領域未來的研究方向。
1. 引言
圖像分割是許多視覺理解系統的重要組成部分。它涉及到將圖像(或視頻幀)分割成多個段或對象[1]。分割在[2]的廣泛應用中起著核心作用，包括醫學圖像分析(如腫瘤邊界提取和組織體積測量)，自動駕駛車輛(如可導航的表面和行人檢測)，視頻監控，增強現實等。從最早的閾值化[3]、基于直方圖的分組、區域生長[4]、k-means聚類[5]、分水嶺[6]等算法，到更先進的主動輪廓[7]、圖割[8]、條件和馬爾科夫隨機域[9]、稀疏[10]-[11]等算法，文獻中已經出現了許多圖像分割算法。然而，在過去的幾年里，深度學習(DL)網絡已經產生了新一代的圖像分割模型，其性能有了顯著的提高——通常在流行的基準測試中獲得了最高的準確率——致使許多人認為的該領域的范式轉變。例如，圖1展示了一個著名的深度學習模型DeepLabv3[12]的樣本圖像分割輸出。
圖像分割可以表示為帶有語義標簽的像素分類問題(語義分割)或單個對象的分割問題(實例分割)。語義分割是對所有圖像像素進行一組對象類別(如人、車、樹、天空)的像素級標記，因此通常比圖像分類更難，因為后者預測整個圖像的單個標簽。實例分割進一步擴展了語義分割的范圍，通過檢測和描繪圖像中每個感興趣的對象(例如，對個人的分割)。
我們的調研涵蓋了圖像分割的最新文獻，并討論了到2019年提出的一百多種基于深度學習的分割方法。我們對這些方法的不同方面提供了全面的回顧和見解，包括培訓數據、網絡架構的選擇、損失功能、培訓策略以及它們的關鍵貢獻。我們對所述方法的性能進行了比較總結，并討論了基于深度學習的圖像分割模型的幾個挑戰和未來可能的方向。
我們將基于深度學習的工作根據其主要技術貢獻分為以下幾類:
- 完全卷積網絡
- 卷積模型與圖形模型
- Encoder-decoder基礎模型
- 基于多尺度和金字塔網絡的模型
- 基于R-CNN的模型(例如實例分割)
- 擴展卷積模型和DeepLab家族
- 基于遞歸神經網絡的模型
- 基于注意力的模型
- 生成模型和對抗性訓練
- 具有活動輪廓模型的卷積模型
- 其他模型
本綜述論文的一些主要貢獻可以總結如下:
本次綜述涵蓋了與分割問題相關的現有文獻，并綜述了截止2019年提出的100多種分割算法，共分為10類。
我們提供了一個全面的調研和使用深度學習的分割算法的不同方面的深度分析，包括訓練數據，網絡架構的選擇，損失函數，訓練策略，以及他們的關鍵貢獻。
我們提供了一個概述約20個流行的圖像分割數據集，分為2D, 2.5D (RGB-D)，和3D圖像。
我們提供了一個比較總結的性質和性能的審查方法的分割目的，在流行的基準上進行。
我們為基于深度學習的圖像分割提出了一些挑戰和潛在的未來方向。
該調研的其余部分組織如下: 第2節提供了流行的深度神經網絡架構的概述，作為許多現代分割算法的主干。第3節全面概述了最重要的、最先進的、基于深度學習的細分模型，截至2019年已有100多個。我們也討論了他們的長處和貢獻超過以往的工作在這里。第四部分回顧了一些最流行的圖像分割數據集及其特點。第5.1節回顧了評價基于深度學習的細分模型的流行指標。在5.2節中，我們報告了這些模型的定量結果和實驗性能。在第6節中，我們將討論基于深度學習的分割方法的主要挑戰和未來的發展方向。最后，我們在第7節中提出我們的結論。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191