基于Pareto深度分析的多标准相似性异常检测
本文介绍了一种新型的、利用帕累托深度分析(PDA)的非参数多准则异常检测方法,可在不运行多次算法(使用不同的重量选择)的情况下,检测多个准则下的异常。
Oct, 2011
本文使用元分析研究异常检测问题和方法,提供了大量异常检测基准数据和实验结果,分析了实验设计、指标和算法策略的影响,为异常检测问题提供了本体、方法、实验规范和未来研究的指导。
Mar, 2015
探究最近邻方法在异常检测中的表现,通过综合模拟实验和理论分析得到最近邻方法相对于其他现有算法的优异性,并针对不同维度数据和异常观测提供有限样本一致性保证和分类误差率公式。
Jul, 2019
本文提出了高效而省时的方法,在隔离森林的全局和局部层面上定义特征重要性得分,并定义了一种在无监督异常检测中执行特征选择的过程。在多个合成和实际数据集上评估了性能,并与现有技术进行比较。
Jul, 2020
通过大量文献综述,本研究提供了第一个理论基础和领域无关的数据异常类型学,并介绍了异常类型和子类型的详细概述。该类型学使用五个维度来具体定义异常的概念和其不同的表现形式,包括数据类型,关系基数,异常级别,数据结构和数据分布等。
Jul, 2020
无法线性分类XOR激发了深度学习的很多研究。我们重新审视这个古老的问题并证明线性分类XOR是可能的。我们提出了一种稍微不同的范式,即等式分离,将SVM目标适应于区分数据在或超过边界之外。我们的分类器可以与神经网络流水线集成,并进行平滑逼近。根据其属性,我们直觉等式分离适用于异常检测。为了形式化这个概念,我们引入了封闭数字,这是对分类器形成封闭决策区域的容量的定量度量。基于这个二元分类与异常检测之间的理论联系,我们在监督异常检测实验中测试了我们的假设,结果显示等式分离可以检测到已知和未知的异常。
Dec, 2023
对异常值和离群值对模型估计和数据处理的影响进行了全面的调查,包括对异常检测领域的综述和研究方法进行了研究,揭示了相关主题和方法的发展以及学者在这一领域的写作实践。
Dec, 2023
该研究介绍了一种用于有效且准确的模型无关异常解释的新方法,使用基于谓词的关联规则(PARs)来解释表格数据中的异常,通过用户研究证明,该方法比现有的模型无关解释选项更易理解和受欢迎,并通过在各种基准数据集上的实验证明PARs在计算效率和解释准确性上与最先进的模型无关方法相比具有竞争优势。
Dec, 2023
本文提出了一种新颖的异常检测框架,旨在解决现有异常检测方法的局限性。该方法结合了基于密度估计的统计原则与深度学习模型的表示学习能力,展现了较低维和较高维数据集上的优越性能,具有显著的实用价值。
Aug, 2024
本研究针对无监督异常检测的挑战,提出了一种新颖的领域无关方法,通过条件扰动生成多样化且难以区分的合成异常。该方法在真实数据集上表现优越,适用于图像和表格数据,显示出其在半监督场景中的适应性,有望进一步提升异常检测性能。
Sep, 2024