Recientemente, Deep Learning ha estado en conversaciones para aplicaciones en texto, imagen y discurso. Y más recientemente, se ha utilizado para la detección de anomalías también al tratar de modelar el comportamiento normal subyacente utilizando redes profundas.
Estos son algunos documentos que utilizan modelos de aprendizaje profundo para la detección de anomalías en datos estáticos y de series temporales:
- Quizás el más reciente que utiliza modelos basados en energía (publicado en ICML 2016) https://arxiv.org/abs/1605.07717
- Otro artículo sobre líneas similares usando redes LSTM https://www.elen.ucl.ac.be/Proce…
- Otro que utiliza autoencoders de eliminación de ruido basados en LSTM bidireccionales http://ieeexplore.ieee.org/xpl/a…. Este artículo afirma resultados de vanguardia en la detección de novedad acústica.
Editar-1:
- Al entrenar una red neuronal, ¿es común tener un tamaño de paso diferente para los parámetros en cada capa y las compensaciones al realizar el Descenso de gradiente?
- Cómo evaluar la precisión del entrenamiento para una red neuronal con una capa oculta
- Cómo construir una aplicación web con capacidades de aprendizaje automático
- ¿Cuáles son algunas aplicaciones del aprendizaje automático en la industria de la geología y la energía?
- ¿De qué sirve un alumno constante?
- Secuencia para secuenciar modelos para la detección de anomalías https://arxiv.org/pdf/1607.00148
- https://arxiv.org/pdf/1612.06676
- http://www.covert.io/research-papers/deep-learning-security/MS-LSTM%20-%20a%20Multi-Scale%20LSTM%20Model%20for%20BGP%20Anomaly%20Detection.pdf