实际数据上的无监督异常检测算法：我们需要多少个？

May, 2023

实际数据上的无监督异常检测算法：我们需要多少个？

Unsupervised anomaly detection algorithms on real-world data: how many do we need?

Roel Bouman, Zaharah Bukhsh, Tom Heskes

TL;DR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。

Abstract

In this study we evaluate 32 unsupervised anomaly detection algorithms on 52 real-world multivariate tabular datasets, performing the largest comparison of unsupervised anomaly detection algorithms to date. On th

unsupervised anomaly detection k-thnn algorithm local and global datasets eif algorithm computational complexity

发现论文，激发创造

无监督异常检测算法的大规模评估揭示

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。

Apr, 2022

最近邻异常检测方法的统计分析

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

k-NNN: 通过邻居的邻居来进行异常检测的最近邻居算法

通过考虑最近邻居和邻居的邻居（k-NNN）提出一种新的算子来提高异常检测算法的性能，在常见的同质数据集（例如具有特定类型的花卉或坚果）和更多样化的数据集上均得到了改进。

May, 2023

深度最近邻异常检测

该研究探讨在使用 Imagenet 预训练特征空间的情况下，最近的自我监督深度方法是否确实优于最近邻方法进行异常检测。通过实验证明，仅使用简单的最近邻方法在准确度，few shot 泛化，训练时间和噪声稳健性方面均优于自我监督方法，同时在图像分布方面做出较少的假设。

Feb, 2020

UCI 机器学习库中 11 个不同数据集上 KNN、SVM、LMNN 和 ENN 算法准确率变化的研究和观察

本研究实现四种主流的机器学习算法在十一个数据集上，分析它们的准确性，并且探讨机器学习算法与数据维度之间的关系。

Sep, 2018

基于最近邻图的得分函数异常检测

提出了一种新的非参数自适应异常检测算法，它基于从 $n$ 点名义数据最近邻图推导出的得分函数。该算法适用于高维数据集，可以在不需要选择复杂的调整参数或函数逼近类别的前提下自适应地适应局部结构，如维度局部变换。

Oct, 2009

分布式聚类与异常检测的实用算法

本文提出了一种基于简要构建的数据摘要的分布式无监督学习算法，对异常点的全局识别有很好的近似保证，并在真实和人工数据上超过了所有基线算法。

May, 2018

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

局部异常点检测的基于邻居的方法比较研究

对离群点检测中的邻居方法及其组成部分进行了研究，引入了一个分类法，使用信息、邻居和方法学作为三个层面来定义混合方法，通过合并该分类法的不同组成部分，可以提出新的基于邻居的离群点检测方法，实验结果表明，基于逆 K 最近邻方法在高维空间中具有良好性能。

May, 2024

Rare Yet Popular: 基于标记数据集的网络异常检测证据和影响

本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

Nov, 2022