Abstract

本论文提出了一种小样本学习模型 FSL-SCNN(Few-Shot Learning model with Siamese Convolutional Neural Network) ，针对工业CPS系统中的异常检测任务，目的是减轻的overfitting问题和提高准确率。

其中 Siamese CNN encoding network 是用来度量特征优化（optimized feature）后的“输入样本”之间的距离。

实验基于完全公开的数据集，最终明显提高了 false alarm rate(FAR) 和 F1 scores.

1. Introduction

第一段介绍了一下 Cyber-physical system(CPS)，不重要。

第二段说CPS很容易遭到攻击，所以用异常检测（Anomaly detection）来识别攻击很重要。

第三段说现在的技术还不太行，CPS多么多么复杂，需要一个牛批的实时的检测系统。另外，缺乏很好的带Label的数据。

第四段简单介绍了一下 Few-shot learning。

第五段介绍了论文提出的模型。重点有：①提出了relative-feature的表示方法来表示输入数据特征。②Siamese CNN 是用来促进高维特征的学习，以进一步识别新类别（novel class）；③ cost function 包含三个loss；③ 主要的贡献：(1)减轻了处理小样本数据时的overfitting问题。 (2) 提出的 cost function 增加了训练效率。(3) 适用于工业CPS数据

2. Related Work

本章分别讨论了CPS中的“异常检测技术”和“工业应用中的Few-shot learning”

2.1 Anomaly Detection techniques for CPS

本章介绍了一下之前的工作，然后总结了一下它们共同的问题：

传统的监督学习模型严重依赖先验知识（prior knowledge）和高质量的含标签的数据集（well labeled training samples）
容易过拟合，进而导致性能差

2.2 Few-Shot Learning in Industrial Applications

本章介绍了一下其他使用Few-shot learning的论文，然后本论文有以下改进：

克服了overfitting问题
Siamese CNN减轻了关键特征（key features）的loss
可以应用在工业CPS上，并提高异常检测性能。

3 Few-shot Learning Model with Siamese CNN in CPS

本章作者详细介绍了他提出的模型

3.1 Problem Definition

读不下去了，论文有很多问题

【论文阅读】Siamese Neural Network Based Few-Shot Learning for Anomaly Detection in Industrial Cyber-Physi

文章目录