申请/专利权人:北京邮电大学
申请日:2024-01-29
公开(公告)日:2024-04-26
公开(公告)号:CN117932517A
主分类号:G06F18/2433
分类号:G06F18/2433;G06F18/22;G06F18/214;G06N3/082;G06F40/18
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了一种基于深度学习的表格数据异常检测方法及系统,涉及数据检测领域。本发明包括以下步骤:获取待检测数据,并输入掩码生成器中,输出多个掩码矩阵;将每个掩码矩阵与原始数据执行元素乘积,生成多个掩码;将多个掩码输入重构网络,将掩码输入映射到潜在空间的特征表示,并将特征从潜在空间重新映射到原始空间,进而输出与输入相匹配的重构数据;分别计算掩码与重构数据的重构误差,使用平均重构误差作为异常分数,将异常分数高于正常样本的待检测数据判为异常数据。本发明具备较强的泛化能力,能够成功扩展至其他形式的大数据异常检测任务。
主权项:1.一种基于深度学习的表格数据异常检测方法,其特征在于,包括以下步骤:获取待检测数据,并输入掩码生成器中,输出多个掩码矩阵;将每个掩码矩阵与原始数据执行元素乘积,生成多个掩码;将多个掩码输入重构网络,将掩码输入映射到潜在空间的特征表示,并将特征从潜在空间重新映射到原始空间,进而输出与输入相匹配的重构数据;分别计算掩码与重构数据的重构误差,使用平均重构误差作为异常分数,将异常分数高于正常样本的待检测数据判为异常数据。
全文数据:
权利要求:
百度查询: 北京邮电大学 一种基于深度学习的表格数据异常检测方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。