公开(公告)号：CN119939464A

公开(公告)日：2025-05-06

申请号：CN202510011437.3

申请日：2025-01-03

Applicant: 北京邮电大学

Inventor： 傅湘玲 ,  黄威 ,  尚煜茗 ,  熊宇轩 ,  王铭浩

IPC: G06F18/2433 ,  G06F18/214 ,  G06N3/088 ,  G06N3/0455

Abstract: 本发明公开了一种基于对比学习的无监督异常检测方法及装置，属于异常检测领域。方法包括：基于训练样本集获取初步训练完成的双任务学习模型；利用测试样本集中的样本，利用当前双任务学习模型从测试样本集中选择出高置信正常样本和高置信异常样本，以通过对比学习方式对当前双任务学习模型进行模型参数更新，将更新后的双任务学习模型作为当前双任务学习模型，将本次选择的高置信正常样本和高置信异常样本从测试样本集中删除，并利用剩余的测试样本集继续进行模型参数更新，直至得到训练完成的双任务学习模型；利用训练完成的双任务学习模型对输入的表格数据进行异常检测。本发明能够提高异常检测的有效性。

公开(公告)号：CN118709739A

公开(公告)日：2024-09-27

申请号：CN202410839791.0

申请日：2024-06-26

Applicant: 北京邮电大学

Inventor： 傅湘玲 ,  黄威 ,  尚煜茗 ,  熊宇轩 ,  王铭浩

IPC: G06N3/08 ,  G06N3/063

Abstract: 本发明涉及一种用于提升模型训练效率的动态数据选择方法。方法包括：利用预设的样本集对模型进行预设轮次的预训练，并构建大小为w的滑动窗口；滑动窗口用于保存样本集中的每个样本在过去最近的w个训练轮次中的损失值；针对预设轮次之后的每一个训练轮次，均执行：S1，确定当前训练轮次的重要子集，过程为：基于上一个滑动窗口内的损失值，更新样本集中每个样本的当前综合得分；基于该当前综合得分和预设的选择率，确定当前训练轮次的重要子集；S2，利用该重要子集进行当前训练轮次的模型训练，并根据训练结果确定当前滑动窗口内的损失值；循环执行S1和S2，直至模型收敛。本申请，可以在尽量不损失训练精度的同时，提高模型的训练效率。