SCNF概率图异常检测模型

缺失数据下联合训练

将数据插补与无监督学习统一在同一框架中，在缺失数据下稳健捕捉变量间的时空依赖，提升异常检测性能。

Jing-Yu, Yang · Zuogong, Yue · Yuan Ye

Reliability Engineering and System Safety 2023

参数信息

AUROC提升

6.34 %

技术优势

插补与检测协同

通过期望最大化优化，联合训练数据插补和无监督学习，使模型在缺失数据下保持一致地捕捉时空依赖。

多种工业场景验证

在化工过程、水处理和网络流量三个应用中验证，联合训练平均提升AUROC 6.34%。

应用场景

• 工业过程监测：化工、水处理等过程监测中，利用缺失数据下的异常检测替代人工巡检。
• 网络流量异常检测：在流量数据缺失时仍能检测网络异常，替代传统规则或阈值方法。
• 多变量传感器数据分析：在传感器数据不完整时捕捉变量间依赖，提升异常检测准确性。