基于 SAAD 的汽车系统增强异常检测：统计聚合异常检测
机器学习
2024-06-14 v1 机器学习
摘要
本文提出一种新颖的异常检测方法，称为统计聚合异常检测（SAAD）。SAAD 方法将高级统计技术与机器学习相结合，其有效性通过在汽车领域的硬件在循环（HIL）环境中获取的真实传感器数据进行验证得出。SAAD 的核心创新在于其能够显著提升与 dropout 层增强的全连接网络（FCNs）结合时的检测准确率和鲁棒性。全面实验评估表明，独立的统计方法 achieves 72.1% 的准确率，而仅使用的深度学习模型 achieves 71.5% 的准确率。相比之下，聚合方法 achieves 更高的 88.3% 的准确率和 0.921 的 F1 分数，从而超越单个模型。这些结果凸显了 SAAD 的有效性，展示了其在包括汽车系统在内的各个领域的广泛应用潜力。
引用
@article{arxiv.2406.08516,
title = {Enhanced Anomaly Detection in Automotive Systems Using SAAD: Statistical Aggregated Anomaly Detection},
author = {Dacian Goina and Eduard Hogea and George Maties},
journal= {arXiv preprint arXiv:2406.08516},
year = {2024}
}