Apr, 2022

无监督异常检测算法的大规模评估揭示

PDF
TL;DR本文综合研究了 12 个最流行的无监督异常检测方法，发现它们被评估时使用了不一致的协议，因此定义了一致的评估协议并用于比较它们在五个广泛使用的表格式数据集上的性能。尽管评估不能确定一种方法在所有数据集上优于其他方法，但它识别出那些突出表现的方法并修正了关于它们相对性能的错误认识。
anomaly detectionunsupervised methodsevaluation protocolperformance comparisontabular datasets
发现论文，激发创造
  • 时序无监督异常检测的比较研究：实验与分析

    本篇论文介绍了针对时间序列数据异常检测的分类方法，并对传统和深度学习技术进行了评估和比较，为选择最适合特定应用设置的方法提供了指导，并提出了研究方向。

    Sep, 2022

  • 无监督模型选择用于时间序列异常检测

    本文针对无标签数据集的异常检测问题，提供了一种基于三类代理度量（prediction error，model centrality 和 performance on injected synthetic anomalies）的度量组合方法， 将多个非完美代理度量聚合成一个健壮的排名，可以选择最符合数据集的异常检测模型，实验展示了该方法的有效性。

    Oct, 2022

  • 实际数据上的无监督异常检测算法：我们需要多少个？

    本研究在 52 个实际多元表格数据集上评估 32 种无监督异常检测算法，在收集的数据集中，K-thNN 算法在大多数情况下表现最佳，也确定了两个清晰的簇，一个有 “局部” 数据集，另一个有 “全局” 数据集，考虑到算法的计算复杂性，这三种算法足以找到代表性的多元数据集中的异常。

    May, 2023

  • 异常检测问题的元分析

    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

  • 深度学习用于异常检测：调研

    本文针对深度学习异常检测问题进行了系统综述，将研究方法划分为不同的类别并探讨其在应用领域的适用性和效果，同时讨论了现有研究的局限性和未来研究的方向。

    Jan, 2019

  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 单变量时间序列中的异常检测：现有技术综述

    本文研究了全部三类（统计学、机器学习和深度学习方法中）的 20 种单变量异常检测方法，并在一些公共数据集上进行了评估。通过分析每种方法的准确性和算法的计算时间，提供了这些异常检测方法的性能和适用数据类型的一些一般概念。

    Apr, 2020

  • 可信异常检测：一项调查

    本文简要综述了现有的工作，并从解释性、公平性、鲁棒性和隐私保护的角度讨论了可信的异常检测的开放问题。

    Feb, 2022

  • 基于隔离机制的异常检测：一项调查

    孤立基于方法的异常检测方法是一种新颖且有效的方法，可以通过随机分割轻松地隔离出数据中的异常值。这项综述调查了最先进的孤立基于异常检测方法，包括它们的数据分割策略、异常得分函数和算法细节。还介绍了孤立基于方法在不同场景下的一些扩展和应用，例如在流数据、时间序列、轨迹和图像数据集中检测异常。最后，我们指出了一些孤立基于异常检测研究的开放挑战和未来方向。

    Mar, 2024

  • 如何评价无监督异常检测算法的质量？

    本文提出了两种基于 Excess-Mass 和 Mass-Volume 曲线的无监督异常检测算法评估指标，并介绍了一种基于特征子采样和聚合的方法扩展到高维数据集。

    Jul, 2016