DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY
文章阅读笔记的帖子:https://blog.csdn.net/lytxiaohou/article/details/101512966
另一篇帖子:https://zhuanlan.zhihu.com/p/266513299
第一链接.
https://github.com/kc-ml2/journal-lub/blob/ceaa45c5822f55d8060afdab907280d3e47b9288/past/2019-06-12-anomaly-detection.md
第二链接.
https://github.com/zhuyiche/awesome-anomaly-detection
- 新颖性检测于异常检测的区别和联系
1-8节引言
- 异常检测的内容
- 不同的方法和应用的范围
- 异常检测中输入数据的区别
分为序列数据和非序列数据:
- 异常检测模型方法的分类:
异常检测的类别
- 点的异常
点的异常:孤立点,离群点; - 上下文异常
上下文异常是这个点不孤立,不离群,但在一个序列中它出现在了不符合序列规律的位置; - 组异常
组异常就是单独看每个数据都正常,但讲这些点看做一个整体时,与其他整体会有明显差别。
- 第10页
8.5 异常检测的输出
8.5.1.Anomaly Score
异常评分描述每个数据点的异常水平。 数据实例可以根据异常评分进行排序,并由主题专家选择特定领域的阈值(通常称为决策评分)来识别异常。
8.5.2 Labels:
一些技术可以将类别标签指定为每个数据实例的正常或异常,而不是分配分数。 使用自动编码器的无监督异常检测技术测量残差向量的大小(即e重建误差)以获得异常分数,稍后,重建误差由领域专家对数据实例进行排序或阈值标记。表3各种方法的分类一些网络:(P9)
9 异常检测的应用
9.4 Medical Anomaly Detection
9.8 Industrial Anomalies Detection
时序 非时序 视频异常
* P19 Table 19: Examples of DAD techniques used in video surveillance. *
10 Deep Anomaly Detection (DAD) Models
无监督DAD是基础机器学习研究和工业应用中的一个重要研究领域一些先进的方法如 Table 22所示(P23):(自动编码器是用于异常检测的基本无监督深层结构)
11 Deep neural network architectures for locating anomalies
11.5 Generative Models
11.6 Autoencoders(P26)