11:24
官方账号arXiv cs.LG@Mustafa Umut Ozbek, Taiwo Ojo, Pooria Madani, Khalil El-Khatib, Li Yang
推荐理由：这篇论文深入探讨了工业控制系统异常检测模型的鲁棒性，对于关注数据安全和模型稳定性的读者来说，这是一篇值得关注的论文。
Secure Water Treatment基准
共 1 条相关 AI 资讯
8月25日
11:24
本研究评估了在训练时间数据污染下，11种异构异常检测模型在Secure Water Treatment基准上的鲁棒性。评估了三种污染策略：随机注入、相似性目标注入和特征噪声注入。结果显示，鲁棒性高度依赖于模型，且不能仅从干净数据的性能预测。基于注入的污染对局部密度和距离检测器的降级影响最大，而特征噪声污染的影响相对有限。PCA、SVM、HBOS和IForest相对稳定，而调整后的神经网络检测器表现出中等鲁棒性。