Articles de revues sur le sujet « Unsupervised anomaly detection »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Unsupervised anomaly detection ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
倪, 一鸣, et 松灿 陈. « Continual unsupervised anomaly detection ». SCIENTIA SINICA Informationis 52, no 1 (1 janvier 2022) : 75. http://dx.doi.org/10.1360/ssi-2021-0192.
Texte intégralShi, Chengming, Bo Luo, Hongqi Li, Bin Li, Xinyong Mao et Fangyu Peng. « Anomaly Detection via Unsupervised Learning for Tool Breakage Monitoring ». International Journal of Machine Learning and Computing 6, no 5 (octobre 2016) : 256–59. http://dx.doi.org/10.18178/ijmlc.2016.6.5.607.
Texte intégralFarzad, Amir, et T. Aaron Gulliver. « Unsupervised log message anomaly detection ». ICT Express 6, no 3 (septembre 2020) : 229–37. http://dx.doi.org/10.1016/j.icte.2020.06.003.
Texte intégralGoernitz, N., M. Kloft, K. Rieck et U. Brefeld. « Toward Supervised Anomaly Detection ». Journal of Artificial Intelligence Research 46 (20 février 2013) : 235–62. http://dx.doi.org/10.1613/jair.3623.
Texte intégralAlmalawi, Abdulmohsen, Adil Fahad, Zahir Tari, Asif Irshad Khan, Nouf Alzahrani, Sheikh Tahir Bakhsh, Madini O. Alassafi, Abdulrahman Alshdadi et Sana Qaiyum. « Add-On Anomaly Threshold Technique for Improving Unsupervised Intrusion Detection on SCADA Data ». Electronics 9, no 6 (18 juin 2020) : 1017. http://dx.doi.org/10.3390/electronics9061017.
Texte intégralTian, Yu, Haihua Liao, Jing Xu, Ya Wang, Shuai Yuan et Naijin Liu. « Unsupervised Spectrum Anomaly Detection Method for Unauthorized Bands ». Space : Science & ; Technology 2022 (21 février 2022) : 1–10. http://dx.doi.org/10.34133/2022/9865016.
Texte intégralLok, Lai Kai, Vazeerudeen Abdul Hameed et Muhammad Ehsan Rana. « Hybrid machine learning approach for anomaly detection ». Indonesian Journal of Electrical Engineering and Computer Science 27, no 2 (1 août 2022) : 1016. http://dx.doi.org/10.11591/ijeecs.v27.i2.pp1016-1024.
Texte intégralGoldstein, Markus. « Special Issue on Unsupervised Anomaly Detection ». Applied Sciences 13, no 10 (11 mai 2023) : 5916. http://dx.doi.org/10.3390/app13105916.
Texte intégralZhou, Wei, Yuan Gao, Jianhang Ji, Shicheng Li et Yugen Yi. « Unsupervised Anomaly Detection for Glaucoma Diagnosis ». Wireless Communications and Mobile Computing 2021 (1 octobre 2021) : 1–14. http://dx.doi.org/10.1155/2021/5978495.
Texte intégralChung, Hwehee, Jongho Park, Jongsoo Keum, Hongdo Ki et Seokho Kang. « Unsupervised Anomaly Detection Using Style Distillation ». IEEE Access 8 (2020) : 221494–502. http://dx.doi.org/10.1109/access.2020.3043473.
Texte intégralVincent, Vercruyssen, Meert Wannes et Davis Jesse. « Transfer Learning for Anomaly Detection through Localized and Unsupervised Instance Selection ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 04 (3 avril 2020) : 6054–61. http://dx.doi.org/10.1609/aaai.v34i04.6068.
Texte intégralAmarbayasgalan, Tsatsral, Van Huy Pham, Nipon Theera-Umpon et Keun Ho Ryu. « Unsupervised Anomaly Detection Approach for Time-Series in Multi-Domains Using Deep Reconstruction Error ». Symmetry 12, no 8 (29 juillet 2020) : 1251. http://dx.doi.org/10.3390/sym12081251.
Texte intégralGuo, Jiahao, Xiaohuo Yu et Lu Wang. « Unsupervised Anomaly Detection and Segmentation on Dirty Datasets ». Future Internet 14, no 3 (13 mars 2022) : 86. http://dx.doi.org/10.3390/fi14030086.
Texte intégralWen-Jen Ho, Wen-Jen Ho, Hsin-Yuan Hsieh Wen-Jen Ho et Chia-Wei Tsai Hsin-Yuan Hsieh. « Anomaly Detection Model of Time Segment Power Usage Behavior Using Unsupervised Learning ». 網際網路技術學刊 25, no 3 (mai 2024) : 455–63. http://dx.doi.org/10.53106/160792642024052503011.
Texte intégralSong, Yide. « Weakly-Supervised and Unsupervised Video Anomaly Detection ». Highlights in Science, Engineering and Technology 12 (26 août 2022) : 160–70. http://dx.doi.org/10.54097/hset.v12i.1444.
Texte intégralZHOU, JUNLIN, ALEKSANDAR LAZAREVIC, KUO-WEI HSU, JAIDEEP SRIVASTAVA, YAN FU et YUE WU. « UNSUPERVISED LEARNING BASED DISTRIBUTED DETECTION OF GLOBAL ANOMALIES ». International Journal of Information Technology & ; Decision Making 09, no 06 (novembre 2010) : 935–57. http://dx.doi.org/10.1142/s0219622010004172.
Texte intégralZhang, Shen Qi, Wei Yuan, Ran Yi et Li Chen. « DC operating circuit anomaly detection based on node voltage unsupervised time series ». Journal of Physics : Conference Series 2474, no 1 (1 avril 2023) : 012030. http://dx.doi.org/10.1088/1742-6596/2474/1/012030.
Texte intégralYang, Zhengqiang, Junwei Tian et Ning Li. « Flow Graph Anomaly Detection Based on Unsupervised Learning ». Mobile Information Systems 2022 (31 mars 2022) : 1–9. http://dx.doi.org/10.1155/2022/4194714.
Texte intégralLiu, Jiaqi, Kai Wu, Qiang Nie, Ying Chen, Bin-Bin Gao, Yong Liu, Jinbao Wang, Chengjie Wang et Feng Zheng. « Unsupervised Continual Anomaly Detection with Contrastively-Learned Prompt ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 4 (24 mars 2024) : 3639–47. http://dx.doi.org/10.1609/aaai.v38i4.28153.
Texte intégralNakao, Takahiro, Shouhei Hanaoka, Yukihiro Nomura, Masaki Murata, Tomomi Takenaga, Soichiro Miki, Takeyuki Watadani, Takeharu Yoshikawa, Naoto Hayashi et Osamu Abe. « Unsupervised Deep Anomaly Detection in Chest Radiographs ». Journal of Digital Imaging 34, no 2 (8 février 2021) : 418–27. http://dx.doi.org/10.1007/s10278-020-00413-2.
Texte intégralLiu, Boyang, Pang-Ning Tan et Jiayu Zhou. « Unsupervised Anomaly Detection by Robust Density Estimation ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 4 (28 juin 2022) : 4101–8. http://dx.doi.org/10.1609/aaai.v36i4.20328.
Texte intégralLópez-Vizcaíno, Manuel, Carlos Dafonte, Francisco Nóvoa, Daniel Garabato et M. Álvarez. « Network Data Unsupervised Clustering to Anomaly Detection ». Proceedings 2, no 18 (17 septembre 2018) : 1173. http://dx.doi.org/10.3390/proceedings2181173.
Texte intégralLi, H., A. Achim et D. Bull. « Unsupervised video anomaly detection using feature clustering ». IET Signal Processing 6, no 5 (2012) : 521. http://dx.doi.org/10.1049/iet-spr.2011.0074.
Texte intégralKhan, Samir, Chun Fui Liew, Takehisa Yairi et Richard McWilliam. « Unsupervised anomaly detection in unmanned aerial vehicles ». Applied Soft Computing 83 (octobre 2019) : 105650. http://dx.doi.org/10.1016/j.asoc.2019.105650.
Texte intégralOlson, C. C., K. P. Judd et J. M. Nichols. « Manifold learning techniques for unsupervised anomaly detection ». Expert Systems with Applications 91 (janvier 2018) : 374–85. http://dx.doi.org/10.1016/j.eswa.2017.08.005.
Texte intégralErgen, Tolga, et Suleyman Serdar Kozat. « Unsupervised Anomaly Detection With LSTM Neural Networks ». IEEE Transactions on Neural Networks and Learning Systems 31, no 8 (août 2020) : 3127–41. http://dx.doi.org/10.1109/tnnls.2019.2935975.
Texte intégralWang, Pei, Wei Zhai et Yang Cao. « Robustness Benchmark for Unsupervised Anomaly Detection Models ». JUSTC 53 (2023) : 1. http://dx.doi.org/10.52396/justc-2022-0165.
Texte intégralXu, Haohao, Shuchang Xu et Wenzhen Yang. « Unsupervised industrial anomaly detection with diffusion models ». Journal of Visual Communication and Image Representation 97 (décembre 2023) : 103983. http://dx.doi.org/10.1016/j.jvcir.2023.103983.
Texte intégralBulut, Okan, Guher Gorgun et Surina He. « Unsupervised Anomaly Detection in Sequential Process Data ». Zeitschrift für Psychologie 232, no 2 (avril 2024) : 74–94. http://dx.doi.org/10.1027/2151-2604/a000558.
Texte intégralDai, Songmin, Yifan Wu, Xiaoqiang Li et Xiangyang Xue. « Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 2 (24 mars 2024) : 1454–62. http://dx.doi.org/10.1609/aaai.v38i2.27910.
Texte intégralHu, Jingtao, En Zhu, Siqi Wang, Xinwang Liu, Xifeng Guo et Jianping Yin. « An Efficient and Robust Unsupervised Anomaly Detection Method Using Ensemble Random Projection in Surveillance Videos ». Sensors 19, no 19 (24 septembre 2019) : 4145. http://dx.doi.org/10.3390/s19194145.
Texte intégralHang, Feilu, Wei Guo, Hexiong Chen, Linjiang Xie, Xiaoyu Bai et Yao Liu. « Network Intrusion Anomaly Detection Model Based on Multiclassifier Fusion Technology ». Mobile Information Systems 2023 (8 avril 2023) : 1–11. http://dx.doi.org/10.1155/2023/1594622.
Texte intégralShao, Yingzhao, Yunsong Li, Li Li, Yuanle Wang, Yuchen Yang, Yueli Ding, Mingming Zhang, Yang Liu et Xiangqiang Gao. « RANet : Relationship Attention for Hyperspectral Anomaly Detection ». Remote Sensing 15, no 23 (30 novembre 2023) : 5570. http://dx.doi.org/10.3390/rs15235570.
Texte intégralRashid, A. N. M. Bazlur, Mohiuddin Ahmed, Leslie F. Sikos et Paul Haskell-Dowland. « Anomaly Detection in Cybersecurity Datasets via Cooperative Co-evolution-based Feature Selection ». ACM Transactions on Management Information Systems 13, no 3 (30 septembre 2022) : 1–39. http://dx.doi.org/10.1145/3495165.
Texte intégralKlarák, Jaromír, Robert Andok, Peter Malík, Ivan Kuric, Mário Ritomský, Ivana Klačková et Hung-Yin Tsai. « From Anomaly Detection to Defect Classification ». Sensors 24, no 2 (10 janvier 2024) : 429. http://dx.doi.org/10.3390/s24020429.
Texte intégralQu, YanZe, HaiLong Ma et YiMing Jiang. « CRND : An Unsupervised Learning Method to Detect Network Anomaly ». Security and Communication Networks 2022 (28 octobre 2022) : 1–9. http://dx.doi.org/10.1155/2022/9509417.
Texte intégralLiu, Wenqiang, Li Yan, Ningning Ma, Gaozhou Wang, Xiaolong Ma, Peishun Liu et Ruichun Tang. « Unsupervised Deep Anomaly Detection for Industrial Multivariate Time Series Data ». Applied Sciences 14, no 2 (16 janvier 2024) : 774. http://dx.doi.org/10.3390/app14020774.
Texte intégralKatser, Iurii, Viacheslav Kozitsin, Victor Lobachev et Ivan Maksimov. « Unsupervised Offline Changepoint Detection Ensembles ». Applied Sciences 11, no 9 (9 mai 2021) : 4280. http://dx.doi.org/10.3390/app11094280.
Texte intégralZoppi, Tommaso, Andrea Ceccarelli, Tommaso Capecchi et Andrea Bondavalli. « Unsupervised Anomaly Detectors to Detect Intrusions in the Current Threat Landscape ». ACM/IMS Transactions on Data Science 2, no 2 (2 avril 2021) : 1–26. http://dx.doi.org/10.1145/3441140.
Texte intégralDu, Yan, Yuanyuan Huang, Guogen Wan et Peilin He. « Deep Learning-Based Cyber–Physical Feature Fusion for Anomaly Detection in Industrial Control Systems ». Mathematics 10, no 22 (20 novembre 2022) : 4373. http://dx.doi.org/10.3390/math10224373.
Texte intégralApostol, Ioana, Marius Preda, Constantin Nila et Ion Bica. « IoT Botnet Anomaly Detection Using Unsupervised Deep Learning ». Electronics 10, no 16 (4 août 2021) : 1876. http://dx.doi.org/10.3390/electronics10161876.
Texte intégralArjunan, Tamilselvan. « A Comparative Study of Deep Neural Networks and Support Vector Machines for Unsupervised Anomaly Detection in Cloud Computing Environments ». International Journal for Research in Applied Science and Engineering Technology 12, no 2 (29 février 2024) : 983–90. http://dx.doi.org/10.22214/ijraset.2024.58496.
Texte intégralLe, Duc C., et Nur Zincir-Heywood. « Anomaly Detection for Insider Threats Using Unsupervised Ensembles ». IEEE Transactions on Network and Service Management 18, no 2 (juin 2021) : 1152–64. http://dx.doi.org/10.1109/tnsm.2021.3071928.
Texte intégralSpiekermann, Daniel, et Jörg Keller. « Unsupervised packet-based anomaly detection in virtual networks ». Computer Networks 192 (juin 2021) : 108017. http://dx.doi.org/10.1016/j.comnet.2021.108017.
Texte intégralAnitha Kumari, K., Avinash Sharma, R. Barani Priyanga et A. Kevin Paul. « ENERGY DATA ANOMALY DETECTION USING UNSUPERVISED LEARNING TECHNIQUES ». Advances in Mathematics : Scientific Journal 9, no 9 (25 août 2020) : 6687–98. http://dx.doi.org/10.37418/amsj.9.9.26.
Texte intégralJeong, Woodon, Mohammed S. Almubarak et Constantinos Tsingas. « Seismic erratic noise attenuation using unsupervised anomaly detection ». Geophysical Prospecting 69, no 7 (11 juin 2021) : 1473–86. http://dx.doi.org/10.1111/1365-2478.13123.
Texte intégralWang, Jin, Changqing Zhao, Shiming He, Yu Gu, Osama Alfarraj et Ahed Abugabah. « LogUAD : Log Unsupervised Anomaly Detection Based on Word2Vec ». Computer Systems Science and Engineering 41, no 3 (2022) : 1207–22. http://dx.doi.org/10.32604/csse.2022.022365.
Texte intégralKandanaarachchi, Sevvandi. « Unsupervised anomaly detection ensembles using item response theory ». Information Sciences 587 (mars 2022) : 142–63. http://dx.doi.org/10.1016/j.ins.2021.12.042.
Texte intégralWang, Zhipeng, Chunping Hou, Bangbang Ge, Yang Liu, Zhicheng Dong et Zhiqiang Wu. « Unsupervised anomaly detection via dual transformation‐aware embeddings ». IET Image Processing 16, no 6 (8 février 2022) : 1657–68. http://dx.doi.org/10.1049/ipr2.12438.
Texte intégralSon, Jonghwan, Chayoung Kim et Minjoong Jeong. « Unsupervised Learning for Anomaly Detection of Electric Motors ». International Journal of Precision Engineering and Manufacturing 23, no 4 (10 mars 2022) : 421–27. http://dx.doi.org/10.1007/s12541-022-00635-0.
Texte intégral