Using Large-Scale Anomaly Detection on Code to Improve Kotlin Compiler

Публикации

?

Using Large-Scale Anomaly Detection on Code to Improve Kotlin Compiler

P. 455–465.

Брыксин Т. А., Petukhov V., Alexin I., Prikhodko S., Shpilman A., Kovalenko V., Povarov N.

Язык: английский

DOI

Текст на другом сайте

Ключевые слова: anomaly detection

В книге

MSR '20: Proceedings of the 17th International Conference on Mining Software Repositories

ACM Press, 2020.

Refrigerant Leak Detection in Data Centers Using Topologically Determined Graph Neural Networks

Ivanov S., Borisov V., Али С. и др., , in: 2025 IEEE XVII International Scientific and Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE).: IEEE, 2025. Ch. 127 P. 1–7.

Добавлено: 19 декабря 2025 г.

SensorDBSCAN: Semi-Supervised Active Learning Powered Method for Anomaly Detection and Diagnosis

Ivanov P., Shtark M., Kozhevnikov A. и др., IEEE Access 2025 Vol. 13 P. 25186–25197

Fault detection and diagnosis (FDD) is a critical challenge in industrial processes aimed at minimizing risks such as safety hazards, costly downtime, and suboptimal production. Traditional supervised FDD methods offer great performance while heavily relying on large volumes of labeled data, whereas unsupervised methods do not depend on labeled data, though are inferior in performance ...

Добавлено: 29 апреля 2025 г.

Outliers resistant image classification by anomaly detection

Сергеев А. В., Минченков В. О., Soldatov A. и др., ADVANCES IN ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING 2025 No. 1 P. 3344–3355

Различные технологии, включая модели компьютерного зрения, применяются для автоматизированного контроля процессов ручной сборки на производстве. Эти модели позволяют обнаруживать и классифицировать события, такие как наличие компонентов в области сборки или их соединение. Основной проблемой алгоритмов детекции и классификации является их чувствительность к изменениям условий окружающей среды и непредсказуемое поведение при обработке объектов, отсутствующих в обучающей ...

Добавлено: 2 апреля 2025 г.

Prediction of Industrial Cyber Attacks Using Normalizing Flows

V.P. Stepashkina, M.I. Hushchyn, Doklady Mathematics 2024 Vol. 110 No. 1 P. S95–S102

This paper presents the development and evaluation of methods for detecting cyberattacks on industrial systems using neural network approaches. The focus is on the task of detecting anomalies in multivariate time series, where the diversity and complexity of potential attack scenarios require the use of advanced models. To address these challenges, a transformer-based autoencoder architecture ...

Добавлено: 25 марта 2025 г.

Effective face recognition based on anomaly image detection and sequential analysis of neural descriptors

Sokolova A., Савченко А. В., , in: 2023 IX International Conference on Information Technology and Nanotechnology (ITNT).: IEEE, 2023. P. 1–5.

Добавлено: 13 июня 2023 г.

Open-Set Face Identification with Sequential Analysis and Out-of-Distribution Data Detection

Sokolova A., Савченко А. В., , in: 2022 International Joint Conference on Neural Networks (IJCNN).: Institute of Electrical and Electronics Engineers Inc., 2022.

Добавлено: 29 мая 2023 г.

Marine mammal calls detection in acoustic signals via gradient boosting model

Салин М. Б., Пономаренко А. А., , in: Proceedings of Meetings on AcousticsVol. 44. Issue 1: 6th Underwater Acoustics Conference and Exhibition.: [б.и.], 2021.

Добавлено: 10 декабря 2021 г.

NFAD: fixing anomaly detection using normalizing flows

Рыжиков А. С., Борисяк М. А., Устюжанин А. Е. и др., PeerJ Computer Science 2021 Vol. 7 Article e757

Добавлено: 30 ноября 2021 г.

An automated deep learning based anomaly detection in pedestrian walkways for vulnerable road users safety

Pustokhina, I.V., Pustokhin D. A., Vaiyapuri T. и др., Safety Science 2021 Vol. 142 Article 105356

Добавлено: 20 сентября 2021 г.

Crowd scenes analysis using multiple sliding windows classifiers and Histogram of Oriented Gradient

Шалилех С., Shahdi S. O., , in: 2017 10th Iranian Conference on Machine Vision and Image Processing (MVIP).: IEEE, 2017. P. 31–38.

Добавлено: 13 января 2021 г.

(1 + ε)-class Classification: an Anomaly Detection Method for Highly Imbalanced or Incomplete Data Sets

Maxim Borisyak, Artem Ryzhikov, Устюжанин А. Е. и др., Journal of Machine Learning Research 2020 Vol. 21 P. 1–22

Добавлено: 13 марта 2020 г.

Survey of Common Design Approaches in AML Software Development

Семенов А. С., Mazeev A., Dmitry D. и др., , in: Proceedings of the 4th GraphHPC conference on large-scale graph processing using HPC systemsVol. Vol-1981.: CEUR Workshop Proceedings, 2017. P. 1–9.

Добавлено: 30 октября 2019 г.

Применение алгоритмов машинного обучения при решении задач информационной безопасности

Назаров А. Н., Виноградов Ю. В., Сычев А. К., Системы высокой доступности 2018 Т. 14 № 4 С. 20–22

В статье изучается вопрос использования алгоритмов машинного обучения при решении задач информационной безопасности, а именно при построении систем обнаружения вторжений (IDS) нового поколения. Рассмотрены основные недостатки традиционных IDS (основанных на сигнатурных правилах) и предложены методы их решения с помощью применения алгоритмов машинного обучения. В статье приведены новые методы применения алгоритмов машинного обучения, с помощью которых ...

Добавлено: 26 февраля 2019 г.

Intelligent Network Security Monitoring Based on Optimum-Path Forest Clustering

Guimarães R. R., Passos L., Filho R. H. и др., IEEE Network 2019 Vol. 33 No. 2 P. 126–131

Добавлено: 19 декабря 2018 г.

Deep learning for inferring cause of data anomalies

Azzolini V., Борисяк М. А., Cerminara G. и др., Journal of Physics: Conference Series 2018 Vol. 1085 No. 042015 P. 1–6

Добавлено: 19 октября 2018 г.

LHCb data quality monitoring

Устюжанин А. Е., Деркач Д. А., Баранов А. С. и др., Journal of Physics: Conference Series 2017 Vol. 898 No. 9 P. 1–5

Добавлено: 25 февраля 2018 г.

Towards automation of data quality system for CERN CMS experiment

Борисяк М. А., Ратников Ф. Д., Деркач Д. А. и др., Journal of Physics: Conference Series 2017 Vol. 898 No. 9 P. 1–6

Добавлено: 25 февраля 2018 г.

Nonparametric decomposition of quasi-periodic time series for change-point detection

Артемов А. В., Burnaev E., Lokot A., , in: Proceedings of SPIE 9875, Eighth International Conference on Machine Vision (ICMV 2015).: Barcelona: SPIE, 2015. P. 987520–987525.

Добавлено: 26 января 2018 г.