Mar, 2024

基于隔离机制的异常检测：一项调查

PDF
TL;DR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。
anomaly detectionisolation-basedunsuperviseddata partitioningalgorithmic details
发现论文，激发创造
  • 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

  • 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

  • 基于图形的异常检测和描述：一项调查

    本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法，包括在不同场景下的无监督和（半）监督方法，以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性，并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外，作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用，并讨论了该领域的理论和实践挑战。

    Apr, 2014

  • 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

  • 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

  • 应用机器学习于企业采购过程中的异常检测

    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

  • 图结构化数据中的异常检测：一项调查

    综述了基于图数据的异常检测技术，包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点，最后探讨了基于图结构数据的异常检测领域的未来研究方向。

    May, 2024

  • 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

  • 时序数据异常值 / 异常检测综述

    这篇论文讨论了时间序列中的异常检测技术，提供了一种基于特征的分类法，并对现有技术进行了全面综述。

    Feb, 2020

  • 异常和异常值检测的元调查

    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