会员服务
在数据挖掘中，异常检测（英语：anomaly detection）对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法（特别是无监督的方法）将对此类数据失效，除非进行了合适的聚集。相反，聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下，无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器（与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性）。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。
Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators
Arxiv
0+阅读 · 6月23日
MATCH: Flow Matching for Multi-View Anomaly Detection
Arxiv
0+阅读 · 6月23日
CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching
Arxiv
0+阅读 · 6月20日
MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection
Arxiv
0+阅读 · 6月22日
CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection
Arxiv
0+阅读 · 6月22日
HiMatch-AD: DINOv3-driven Hierarchical Matching for Training-free Medical Anomaly Detection
Arxiv
0+阅读 · 6月21日
Distinguishing indistinguishable attractors: Unsupervised anomaly detection with reservoir computers
Arxiv
0+阅读 · 6月19日
UniSLAD: A Unified Framework for Structural and Logical Industrial Visual Anomaly Detection
Arxiv
0+阅读 · 6月18日
CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection
Arxiv
0+阅读 · 6月18日
SMT-AD: a scalable quantum-inspired anomaly detection approach
Arxiv
0+阅读 · 6月18日
PaAno+: Multiscale Encoding and Cross-Variable Attention for Time Series Anomaly Detection
Arxiv
0+阅读 · 6月18日
We Need to Rethink Benchmarking in Anomaly Detection
Arxiv
0+阅读 · 6月18日
Anomaly Detection for Sparse and Irregular Multivariate Time Series with Latent SDEs
Arxiv
0+阅读 · 6月17日
Seed-Guided Semi-Supervised Clustering by A-Contrario Anomaly Detection
Arxiv
0+阅读 · 6月17日
Toward Training-Free Zero-Shot Anomaly Detection in 3D Medical Images: A Batch-Based Approach Using 2D Foundation Models
Arxiv
0+阅读 · 6月17日
参考链接
微信扫码咨询专知VIP会员
Top