Buchumschlag

Deep Learning Approach to Anomaly Detection in Enterprise ETL Processes with Autoencoders

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Xin, Gadgil, Saili Uday, Gao, Kangning, Hu, Yi, Nie, Cong
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Q-Learning-Based Intelligent Scheduling for ETL Optimization in Heterogeneous Data Environments
von: Gao, Kangning, et al.
Veröffentlicht: (2025)

Coordinated Semantic Alignment and Evidence Constraints for Retrieval-Augmented Generation with Large Language Models
von: Chen, Xin, et al.
Veröffentlicht: (2026)

Ensembling Sparse Autoencoders
von: Gadgil, Soham, et al.
Veröffentlicht: (2025)

Applied Machine Learning to Anomaly Detection in Enterprise Purchase Processes
von: Herreros-Martínez, A., et al.
Veröffentlicht: (2024)

Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction
von: Üstek, İrem, et al.
Veröffentlicht: (2024)

DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection
von: Hojjati, Hadi, et al.
Veröffentlicht: (2021)

Autoencoders for Anomaly Detection are Unreliable
von: Bouman, Roel, et al.
Veröffentlicht: (2025)

A Robust Autoencoder Ensemble-Based Approach for Anomaly Detection in Text
von: Pantin, Jeremie, et al.
Veröffentlicht: (2024)

Weakly Augmented Variational Autoencoder in Time Series Anomaly Detection
von: Wu, Zhangkai, et al.
Veröffentlicht: (2024)

Anomaly Detection via Autoencoder Composite Features and NCE
von: Liao, Yalin, et al.
Veröffentlicht: (2025)

A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data
von: Bao, Qiuliuyang, et al.
Veröffentlicht: (2025)

Mathematical Foundations of Modeling ETL Process Chains
von: Maier, Levin, et al.
Veröffentlicht: (2026)

Anomaly Correction of Business Processes Using Transformer Autoencoder
von: Gong, Ziyou, et al.
Veröffentlicht: (2024)

Anomaly Detection in Time Series Data Using Reinforcement Learning, Variational Autoencoder, and Active Learning
von: Golchin, Bahareh, et al.
Veröffentlicht: (2025)

Anomaly Detection in OKTA Logs using Autoencoders
von: Cain, Jericho, et al.
Veröffentlicht: (2024)

Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators
von: Schulze, J. -P., et al.
Veröffentlicht: (2021)

Quantum Autoencoders for Anomaly Detection in Cybersecurity
von: Senthil, Rohan, et al.
Veröffentlicht: (2025)

Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data
von: Sattarov, Timur, 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)

Statistical Inference for Autoencoder-based Anomaly Detection after Representation Learning-based Domain Adaptation
von: Kiet, Tran Tuan, et al.
Veröffentlicht: (2025)

Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder
von: Xu, Weiming, et al.
Veröffentlicht: (2024)

Enhancing Cybersecurity in IoT Networks: A Deep Learning Approach to Anomaly Detection
von: Pang, Yining, et al.
Veröffentlicht: (2024)

A Novel Multimodal Framework for Early Detection of Alzheimers Disease Using Deep Learning
von: Nagarhalli, Tatwadarshi P, et al.
Veröffentlicht: (2025)

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

Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection
von: Zhou, Ya, et al.
Veröffentlicht: (2025)

From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach
von: Zheng, Yu, et al.
Veröffentlicht: (2022)

Time-EAPCR: A Deep Learning-Based Novel Approach for Anomaly Detection Applied to the Environmental Field
von: Liu, Lei, et al.
Veröffentlicht: (2025)

A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction
von: Gadgil, Karan, et al.
Veröffentlicht: (2023)

Enhancing Fairness in Autoencoders for Node-Level Graph Anomaly Detection
von: Wang, Shouju, et al.
Veröffentlicht: (2025)

Modeling Quantum Autoencoder Trainable Kernel for IoT Anomaly Detection
von: Chandrasekhar, Swathi, et al.
Veröffentlicht: (2025)

Fast Re-Trainable Attention Autoencoder for Liquid Sensor Anomaly Detection at the Edge
von: Choi, Seongyun
Veröffentlicht: (2025)

A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data
von: Roy, Padmaksha
Veröffentlicht: (2023)

Robust Anomaly Detection through Multi-Modal Autoencoder Fusion for Small Vehicle Damage Detection
von: Khan, Sara, et al.
Veröffentlicht: (2025)

Rethinking Autoencoders for Medical Anomaly Detection from A Theoretical Perspective
von: Cai, Yu, et al.
Veröffentlicht: (2024)

Deep Learning Advancements in Anomaly Detection: A Comprehensive Survey
von: Huang, Haoqi, et al.
Veröffentlicht: (2025)

A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection
von: Lakey, Daniel, et al.
Veröffentlicht: (2024)

Where to Steer: Input-Dependent Layer Selection for Steering Improves LLM Alignment
von: Gadgil, Soham, et al.
Veröffentlicht: (2026)

Transformer-based Time-Series Biomarker Discovery for COPD Diagnosis
von: Gadgil, Soham, et al.
Veröffentlicht: (2024)

Quantum Autoencoder for Multivariate Time Series Anomaly Detection
von: Tscharke, Kilian, et al.
Veröffentlicht: (2025)

Self-Supervised Training with Autoencoders for Visual Anomaly Detection
von: Bauer, Alexander, et al.
Veröffentlicht: (2022)