.

大數據時代的事件預測：一個系統性的綜述

用於設備故障檢測的可解釋、多維度、多模態負取樣異常檢測

深度強化學習中的對抗網路結構

論文名稱：Event Prediction in Big Data Era: A Systematic Survey

作者：Zhao Liang

發表時間：2020/7/19

論文鏈接：//arxiv.org/abs/2007.09815v1

推薦原因

這篇論文調研了最近5年出版的200多篇論文，給出了大數據背景下事件預測方法的現狀。這篇論文對現有的事件預測技術進行了系統分類，並且將不同領域內的相關技術進行了比較和分析，涵蓋了機器學習，數據挖掘，模式識別，自然語言處理，資訊檢索，統計和其他計算模型。這篇論文可以幫助後續的研究快速了解這一領域的研究現狀、開放性問題和未來研究趨勢。

  用於設備故障檢測的可解釋、多維度、多模態負取樣異常檢測

論文名稱：Interpretable, Multidimensional, Multimodal Anomaly Detection with Negative Sampling for Detection of Device Failure

作者：Sipple John

發表時間：2020/7/12

論文鏈接：//arxiv.org/abs/2007.10088v1

推薦原因

這是Google研究院的工作，發表在ICML 2020 ，要解決的是異常檢測的任務。

這篇論文面向的是智慧建築中的氣候控制和功率計等應用設備。因為故障模式太複雜，使用故障規則或有監督的機器學習來預測故障通常是不可行。這篇論文提出了一種無監督異常檢測方法，可以從觀察到的正樣本創建負樣本，並訓練分類器以區分正負樣本。這篇論文證明在以下幾種情況中，使用隨機森林或神經網路分類器進行的負取樣所產生的AUC得分明顯高於孤立森林，單分類支援向量機和深度支援向量機：1）維度範圍在2到128之間，帶有1、2、3種模式的合成數據集，分有/無雜訊情況； 2）四個標準基準數據集； 3）來自實際氣候控制設備的多維度、多模態數據集。最後，這篇論文描述了如何成功地大規模部署帶有神經網路分類器的負取樣方案，以實時預測145個Google辦公大樓中超過15,000個氣候控制和功率計設備中的故障。

這篇論文公開了程式碼和使用到的數據集，能夠幫助後續的研究進一步沿著無監督學習的思路探索異常檢測問題的解決方案。

論文名稱：Dueling Network Architectures for Deep Reinforcement Learning

作者：Ziyu Wang / Tom Schaul / Matteo Hessel / Hado van Hasselt / Marc Lanctot / Nando de Freitas

發表時間：2016/4/5

論文鏈接：//arxiv.org/abs/1511.06581

推薦原因