Unsupervised anomaly detection with LSTM autoencoders using statistical data-filtering

To address one of the most challenging industry problems, we develop an enhanced training algorithm for anomaly detection in unlabelled sequential data such as time-series. We propose the outputs of a well-designed system are drawn from an unknown probability distribution, U, in normal conditions. W...

Celý popis

Podrobná bibliografie

Vydáno v:	Applied soft computing Ročník 108; s. 107443
Hlavní autoři:	Maleki, Sepehr, Maleki, Sasan, Jennings, Nicholas R.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 01.09.2021
Témata:	Anomaly detection Autoencoders Changepoint detection IoT LSTM networks Changepoint detection Autoencoders LSTM networks Anomaly detection IoT
ISSN:	1568-4946, 1872-9681
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!