使用深度半监督异常检测技术 Deep SAD，本研究旨在评估其在高频金融数据中检测欺诈行为的有效性，通过利用蒙特利尔的 TMX 交易所的专有限价订单簿数据和少量真实标记的欺诈实例，我们证明将少量标记数据融入无监督异常检测框架可以极大提高其准确性。

Aug, 2023

本文旨在通过数据驱动的方法，利用美国证券交易委员会公开的内幕交易信息，构建关系网络以识别潜在异常，结果表明此方法能够发现内幕交易中的有趣模式，从而有望发现非法内幕交易。

Feb, 2017

提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。

Oct, 2017

通过利用扩散算法的概率模型来进行无监督异常检测，该方法能够有效地学习正常样本的密度，并且在实际数据中展示了优越的检测能力。

Jul, 2023

本篇研究分析了六个公开可用的日志数据集，关注异常的表现形式和简单的检测技术，结果显示大多数异常与顺序表现无直接联系，不需要先进的检测技术即可实现对这些数据集的高检测率。

Sep, 2023

该研究通过系统化的研究，发现了结合日志和度量数据来检测系统异常更加有效，提出了基于异构数据的端到端半监督方法 Hades，并通过大量模拟数据和华为云数据集的评估结果，证明了模型在检测系统异常方面的有效性。

Feb, 2023

通过将 AnoGAN 的原理应用于表格数据，本研究在异常检测领域做出了新的贡献，并在检测以前无法检测到的异常方面取得了有希望的进展。

May, 2024

运用可解释的人工智能（XAI）技术和异常规则，整合树形集成分类器以检测比特币交易中的异常交易，通过 Shapley Additive Explanation (SHAP) 方法衡量每个特征的贡献度，并引入了 XGBCLUS 下采样算法来平衡异常和非异常交易数据，并且实验结果显示 XGBCLUS 提高了真阳性率和 ROC-AUC 分数，而提出的集成分类器在准确性、真阳性率和假阳性率分数上优于传统的单一树形机器学习分类器。

Jan, 2024

该论文介绍了一种合成的进口申报数据集，为海关部门中的领域专家和数据科学研究人员之间的合作提供便利并开放基准代码以优化欺诈检测。

Aug, 2022

在不断数字化的过程中，组织必须应对检测异常情况的挑战，以揭示日益增长的数据中的可疑活动。为了追求这个目标，定期进行审计，内部审计员和采购专家不断寻找自动化这些过程的新方法。本研究提出了一种方法来优先处理从真实数据中检测到的两个大型采购数据集的案例调查，旨在增加公司控制工作的效力和提高执行此类任务的绩效。在使用无监督的机器学习技术检测异常之前，进行全面的探索性数据分析。通过 z-Score 指数和 DBSCAN 算法，应用单变量方法进行处理，而通过 k-Means 和 Isolation Forest 算法以及 Silhouette 指数，实施多变量分析，从而每种方法都提出了待审查的交易候选人。还提供了候选人的集成排序以及 LIME、Shapley 和 SHAP 等解释方法的建议，以帮助公司专家的理解。

May, 2024