DITAN: A deep-learning domain agnostic framework for Detection and Interpretation of Temporally-based multivariate ANomalies - CNRS - Centre national de la recherche scientifique
Article Dans Une Revue Pattern Recognition Année : 2023

DITAN: A deep-learning domain agnostic framework for Detection and Interpretation of Temporally-based multivariate ANomalies

Domaines

Apprentissage [cs.LG] Traitement du signal et de l'image [eess.SP]
Fichier principal
Vignette du fichier
1-s2.0-S0031320323005125-main.pdf (1.71 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Nathalie POTHIER  : Connectez-vous pour contacter le contributeur

https://uca.hal.science/hal-04154868

Soumis le : dimanche 3 décembre 2023-07:55:16

Dernière modification le : mardi 3 décembre 2024-10:30:02

Télécharger pour visualiser

Dates et versions

hal-04154868 , version 1 (03-12-2023)

Identifiants

Citer

Michail Giannoulis, Andrew Harris, Vincent Barra. DITAN: A deep-learning domain agnostic framework for Detection and Interpretation of Temporally-based multivariate ANomalies. Pattern Recognition, 2023, pp.109814. ⟨10.1016/j.patcog.2023.109814⟩. ⟨hal-04154868⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

IRD INSU PRES_CLERMONT CNRS LMV LIMOS OPGC ANR CLERMONT-AUVERGNE-INP
117 Consultations
109 Téléchargements

Altmetric

Partager

More