Submitted 21 August, 2024; originally announced August 2024. , Comments: 16 pages, 10 figure, Accepted at IEEE International Conference on Big Data 2022, Osaka, Japan , Journal ref: IEEE International Conference on Big Data (2022) 1922-1929
توضیحات به فارسی
ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024. ، نظرات: 16 صفحه ، 10 شکل ، در کنفرانس بین المللی IEEE در مورد داده های بزرگ 2022 ، اوزاکا ، ژاپن ، مجله Ref: کنفرانس بین المللی IEEE در مورد داده های بزرگ (2022) 1922-1929 پذیرفته شده است.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Anomaly detection is fundamental yet, challenging problem with practical applications in industry. The current approaches neglect the higher-order dependencies within the networks of interconnected sensors in the high-dimensional time series(multisensor data) for anomaly detection. To this end, we present a self-adapting anomaly detection framework for joint learning of (a) discrete hypergraph structure and (b) modeling the temporal trends and spatial relations among the interdependent sensors using the hierarchical encoder-decoder architecture to overcome the challenges. The hypergraph representation learning-based framework exploits the relational inductive biases in the hypergraph-structured data to learn the pointwise single-step-ahead forecasts through the self-supervised autoregressive task and predicts the anomalies based on the forecast error. Furthermore, our framework incentivizes learning the anomaly-diagnosis ontology through a differentiable approach. It derives the anomaly information propagation-based computational hypergraphs for root cause analysis and provides recommendations through an offline, optimal predictive control policy to remedy an anomaly. We conduct extensive experiments to evaluate the proposed method on the benchmark datasets for fair and rigorous comparison with the popular baselines. The proposed method outperforms the baseline models and achieves SOTA performance. We report the ablation studies to support the efficacy of the framework.
چکیده به فارسی (ترجمه ماشینی)
تشخیص ناهنجاری در عین حال اساسی است ، و مشکل به چالش کشیدن با کاربردهای عملی در صنعت.رویکردهای فعلی از وابستگی های مرتبه بالاتر در شبکه های سنسورهای بهم پیوسته در سری زمانی با ابعاد بالا (داده های چند حسگر) برای تشخیص ناهنجاری غفلت می کنند.برای این منظور ، ما یک چارچوب تشخیص ناهنجاری خود سازگار برای یادگیری مشترک (الف) ساختار هایپرگراف گسسته و (ب) مدل سازی روندهای زمانی و روابط مکانی در بین سنسورهای وابسته به یکدیگر با استفاده از معماری رمزگذار سلسله مراتبی برای غلبه بر چالش ها ارائه می دهیم.چارچوب مبتنی بر یادگیری Hypergraph از تعصبات القایی رابطه ای در داده های ساختار یافته بیش از حد سوء استفاده می کند تا پیش بینی های تک مرحله ای را از طریق کار خود خودسنجی خودرسیک یاد بگیرد و ناهنجاری ها را بر اساس خطای پیش بینی پیش بینی کند.علاوه بر این ، چارچوب ما از طریق یک رویکرد متفاوت ، یادگیری هستی شناسی تشخیص ناهنجاری را تحریک می کند.این فشار خون محاسباتی مبتنی بر انتشار اطلاعات ناهنجاری را برای تجزیه و تحلیل علت اصلی به دست می آورد و توصیه هایی را از طریق یک سیاست کنترل پیش بینی آفلاین و بهینه برای اصلاح ناهنجاری ارائه می دهد.ما آزمایش های گسترده ای را برای ارزیابی روش پیشنهادی در مجموعه داده های معیار برای مقایسه منصفانه و دقیق با خطوط محبوب انجام می دهیم.روش پیشنهادی از مدل های پایه بهتر عمل می کند و به عملکرد SOTA می رسد.ما مطالعات فرسایش را برای پشتیبانی از اثربخشی چارچوب گزارش می دهیم.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
