Buchumschlag

An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Macas, Mayra, Wu, Chunming, Fuertes, Walter
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adversarial Sample Generation for Anomaly Detection in Industrial Control Systems
von: Mustafa, Abdul, et al.
Veröffentlicht: (2025)

An Anomaly Detection System Based on Generative Classifiers for Controller Area Network
von: Zhao, Chunheng, et al.
Veröffentlicht: (2024)

Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems
von: Cultice, Tyler, et al.
Veröffentlicht: (2025)

Time-EAPCR-T: A Universal Deep Learning Approach for Anomaly Detection in Industrial Equipment
von: Liang, Huajie, et al.
Veröffentlicht: (2025)

Application of Deep Generative Models for Anomaly Detection in Complex Financial Transactions
von: Tang, Tengda, et al.
Veröffentlicht: (2025)

Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection
von: Patra, Sukanya, et al.
Veröffentlicht: (2024)

Explainable Anomaly Detection for Industrial IoT Data Streams
von: Paupério, Ana Rita, et al.
Veröffentlicht: (2025)

Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2024)

Real-Time Adaptive Anomaly Detection in Industrial IoT Environments
von: Raeiszadeh, Mahsa, et al.
Veröffentlicht: (2026)

TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models
von: Si, Haotian, et al.
Veröffentlicht: (2024)

PhaseNet++: Phase-Aware Frequency-Domain Anomaly Detection for Industrial Control Systems via Phase Coherence Graphs
von: Bommireddy, Raviteja, et al.
Veröffentlicht: (2026)

A Giant-Step Baby-Step Classifier For Scalable and Real-Time Anomaly Detection In Industrial Control Systems and Water Treatment Systems
von: Venugopalan, Sarad, et al.
Veröffentlicht: (2025)

Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
von: Cao, Yuanpu, et al.
Veröffentlicht: (2024)

IstGPT: LLM-based Anomaly Detection for Spatial-Temporal Graph in Industrial Systems
von: Zhang, Yuchen, et al.
Veröffentlicht: (2026)

Federated Learning for Efficient Condition Monitoring and Anomaly Detection in Industrial Cyber-Physical Systems
von: Marfo, William, et al.
Veröffentlicht: (2025)

Federated Learning for Multivariate Time Series Anomaly Detection in Industrial Automation
von: Nosrati, Khayyam, et al.
Veröffentlicht: (2026)

Supervised Anomaly Detection for Complex Industrial Images
von: Baitieva, Aimira, et al.
Veröffentlicht: (2024)

Tailored Transformation Invariance for Industrial Anomaly Detection
von: Schönfeld, Mariette, et al.
Veröffentlicht: (2025)

Anomaly Detection Based on Critical Paths for Deep Neural Networks
von: Zhao, Fangzhen, et al.
Veröffentlicht: (2025)

Kernel-Based Anomaly Detection Using Generalized Hyperbolic Processes
von: Bourigault, Pauline, et al.
Veröffentlicht: (2025)

Context-Aware Graph Attention for Unsupervised Telco Anomaly Detection
von: Malacarne, Sara, et al.
Veröffentlicht: (2026)

Improving Anomaly Detection in Industrial Time Series: The Role of Segmentation and Heterogeneous Ensemble
von: Mastriani, Emilio, et al.
Veröffentlicht: (2025)

Interpretable Maximum Margin Deep Anomaly Detection
von: Yang, Zhiji, et al.
Veröffentlicht: (2026)

Ti-iLSTM: A TinyDL Approach for Logic-Level Anomaly Detection in Industrial Water Treatment Systems
von: Joshi, Mandar, et al.
Veröffentlicht: (2026)

Detecting and Mitigating System-Level Anomalies of Vision-Based Controllers
von: Gupta, Aryaman, et al.
Veröffentlicht: (2023)

Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection
von: Najafi, Seyed Amirhossein, et al.
Veröffentlicht: (2024)

MSAD: A Deep Dive into Model Selection for Time series Anomaly Detection
von: Sylligardos, Emmanouil, et al.
Veröffentlicht: (2025)

A Deep Learning Framework for Evaluating Dynamic Network Generative Models and Anomaly Detection
von: Rashnu, Alireza, et al.
Veröffentlicht: (2024)

Why the Counterintuitive Phenomenon of Likelihood Rarely Appears in Tabular Anomaly Detection with Deep Generative Models?
von: Kim, Donghwan, et al.
Veröffentlicht: (2026)

WBHT: A Generative Attention Architecture for Detecting Black Hole Anomalies in Backbone Networks
von: Kaya, Kiymet, et al.
Veröffentlicht: (2025)

Enhanced Anomaly Detection in Automotive Systems Using SAAD: Statistical Aggregated Anomaly Detection
von: Goina, Dacian, et al.
Veröffentlicht: (2024)

Graph Attention Networks with Physical Constraints for Anomaly Detection
von: Homaei, Mohammadhossein, et al.
Veröffentlicht: (2026)

Retrieval Augmented Deep Anomaly Detection for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

Benchmarking Anomaly Detection Algorithms: Deep Learning and Beyond
von: Mehta, Shanay, et al.
Veröffentlicht: (2024)

Cloud-Edge Collaborative Data Anomaly Detection in Industrial Sensor Networks
von: Yang, Tao, et al.
Veröffentlicht: (2022)

HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections
von: Dhimish, Mahmoud
Veröffentlicht: (2025)

Machine Learning-Based Framework for Real Time Detection and Early Prediction of Control Valve Stiction in Industrial Control Systems
von: Promsricha, Natthapong, et al.
Veröffentlicht: (2026)

Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization
von: Srinivas, Sakhinana Sagar, et al.
Veröffentlicht: (2024)

Deep Probabilistic Modeling of User Behavior for Anomaly Detection via Mixture Density Networks
von: Dai, Lu, et al.
Veröffentlicht: (2025)

GRAM: An Interpretable Approach for Graph Anomaly Detection using Gradient Attention Maps
von: Yang, Yifei, et al.
Veröffentlicht: (2023)