结合重构和图预测的多元时序异常检测框架

高维时序异常检测一直是智能系统安全领域的重要挑战,主流解决方案通常使用基于数据降维的重构方法和基于时序建模的预测方法,但这些方法没有结合特征间相互影响和特征内时间关联进行学习,且大多使用点估计方法进行预测或重构,从而影响了异常检测的准确性。结合预测和重构的优点,考虑序列的整体分布,提出了一种新颖的端到端异常检测框架。设计改进的变分自动编码器重构模块,以学习原始时序数据中的特征内时间关联,同时得到编码后的低维表示。设计估计高斯分布的图神经网络预测模块,结合重构模块的低维表示和原始输入进行图结构学习,以捕捉特征间的结构依赖。模型采用异常评分模块联合重构和预测模块的损失,在考虑序列整体分布的基础上进行时空联合表征。为验证所提出模型的性能,在三个工业数据集上对模型进行了对比实验,与基线模型相比,所提出的模型在F1性能指标上表现良好。

多模态数据下的学习投入特征画像研究

学习投入是教师研判学习活动的重要指标,为后续教学诊断奠定了基础。随着AI与教学深度融合不断推进,各种教学数据媒介日益增长,使多模态数据表征学习投入画像逐步成为教学领域的技术趋势。针对以往研究中数据高低特征互补性不足的现状,提出一种融合文本数据与图像数据的多模态学习投入特征画像构建方法,提升了多维学习投入的表征效果。具体的,采用transformer模型提取文本语义特征,联合FasterRCNN模型提取视觉特征,通过Attention特征融合得到不同维度学习投入的预测分类结果,最后借助可视化技术呈现学习投入画像。研究表明,该模型有效表征了学习群体在各维度的不均衡投入状态,有助于开展教学诊断与协作分组,有效辅助教师教学诊断,提高了协作分组活动的教学效率。