异常检测——研究方向

最新推荐文章于 2023-12-31 01:38:27 发布
最新推荐文章于 2023-12-31 01:38:27 发布
阅读量985 收藏 6
点赞数
分类专栏： 异常检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shaoyue1234/article/details/102776478
版权

异常检测——研究方向

时间序列中的异常检测

异常检测中的特征选择

高维&子空间异常检测

利用集成方法进行异常检测

在变化的数据中进行异常检测

异常检测中的表示学习

异常检测的可解释性

利用神经网络进行异常检测

主动异常检测

交互异常检测

其他领域的异常检测

文字异常检测

异常检测的应用

安全

金融

社交媒体

机器失败

参考：

anomaly-detection-resources

shaoyue1234
关注
专栏目录
吴恩达机器学习笔记55-异常检测算法的特征选择（Choosing What Features to Use of Anomaly Detection）
平平淡淡，戒急用忍，一生学闭嘴。
07-23 459
吴恩达机器学习笔记55-异常检测算法的特征选择（Choosing What Features to Use of Anomaly Detection） 　　对于异常检测算法，使用特征是至关重要的，下面谈谈如何选择特征： 　　异常检测假设特征符合高斯分布，如果数据的分布不是高斯分布，异常检测算法也能够工作，但是最好还是将数据转换成高斯分布，例如使用对数函数：???? = ????????????(
吴恩达机器学习之异常检测(Anomaly Detection)（三）：选择特征（详细笔记，建议收藏，已有专栏）
汪雯琦的博客
03-20 525
吴恩达机器学习栏目清单 专栏直达：https://blog.csdn.net/qq_35456045/category_9762715.html 文章目录15.6 选择特征 15.6 选择特征 参考视频: 15 - 6 - Choosing What Features to Use (12 min).mkv 对于异常检测算法，我们使用的特征是至关重要的，下面谈谈如何选择特征： 误差分析： 一个常...
吴恩达机器学习笔记55-异常检测算法的特征选择（Choosing What Features to Use of Anomaly Detection）...
weixin_33713503的博客
03-15 251
　　对于异常检测算法，使用特征是至关重要的，下面谈谈如何选择特征： 　　异常检测假设特征符合高斯分布，如果数据的分布不是高斯分布，异常检测算法也能够工作，但是最好还是将数据转换成高斯分布，例如使用对数函数：
业务过程异常检测学习资源
fu_jian_ping的博客
11-07 189
异常检测学习资源
基于特征选择的K-means聚类异常检测方法
06-17
K-means算法是一种采用距离作为相似性评价指标的聚类算法,其快速简洁的特点在异常检测场景中有一定的应用价值。但是,传统的K-means聚类算法在选取初始中心和度量相似性上有一定缺陷。针对传统的K-means算法中存在的问题,本文对原有的方法进行了改进。第一,在初始化聚类中心时选取了一种优化的方法作为初始聚类中心,替代原有的随机选择方法以减少计算量和迭代次数。第二,采用基于信息熵属性加权的样本相似性度量来进一步精确样本差异。实验过程中,针对异常检测数据含有冗余特征,对样本数据做了冗余特征过滤,实验结果表明改进之后的方法较传统的K-means算法有更好的检测效果。
异常检测——线性模型
疯子书生的博客
01-18 324
文章目录1、引言2、数据可视化3、线性回归3.1 基于自变量与因变量的线性回归3.1.1 最小二乘法3.1.2 梯度下降法3.2 基于异常检测的线性回归4、主成分分析4.1 原理推导4.2 归一化问题5、回归分析的局限性6、总结7、资料8、练习参考文献 1、引言   真实数据集中不同维度的数据通常具有高度的相关性，这是因为不同的属性往往是由相同的基础过程以密切相关的方式产生的。在古典统计学中，这被称为——回归建模，一种参数化的相关性分析。   一类相关性分析试图通过其他变量预测单独的属性值，另一类方法用一
基于深度学习的图异常检测技术综述——阅读
m0_52847441的博客
11-10 2088
静态图上的异常通常是指图中很少的或者与观察到的模式有明显偏差的节点、边或子图。静态图上的结构异常节点与节点之间节点与子图之间子图与子图之间静态图上的属性异常给定一个图G和其中的节点v,v在结构上属于一个社区，如果v和大量属于其他社区的节点的属性相似，那么这种异常可以定义为属性上的异常。静态图上结构和属性的联合异常。
异常值检测 —— MAD（median absolute deviation）
05-23
MAD（Median Absolute Deviation）是一种常用的异常值检测方法，它是基于中位数的绝对偏差来检测数据集中的异常值。它的计算公式为： MAD = median(|Xi - median(X)|) 其中，Xi表示数据集中的第i个数据，median...
继电保护——功率方向阻抗继电器
01-21
在电力系统中，继电保护是一项至关重要的技术，它用于检测电力线路或设备的异常状态，并在发生故障时迅速启动断路器切除故障部分，确保电网的稳定运行。本资料主要探讨的是“继电保护——功率方向阻抗继电器”，这在...
基于神经网络的流量异常检测
最新发布
04-11
本项目为基于神经网络的流量异常检测——Traffic Anomaly Detection based on Neural Network 随着网络规模的不断扩大，危害系统资源的危险也在增加，而入侵检测系统（IDS）有助于检测恶意入侵的机制，本项目使用...
Unsupervised-learning:无监督学习由异常检测，特征选择，关联分析和降维组成
05-26
无监督学习 无监督学习由异常检测，特征选择，关联分析和降维组成
可解释性、高效的数据流异常检测算法
02-15
可解释性、高效的数据流异常检测算法，李松松，吴晓非，局部离群点异常检测在数据流中的应用广泛。传统方法对样本如何采样可以维持后续样本的检测准确性是一个问题,另外无法得到是否为�
中科院在读美女博士带你全面了解“异常检测”领域
Destiny_wxy的博客
10-05 1709
异常检测什么是异常检测异常检测面临的挑战：异常的种类：异常检测数据集分为三种：异常检测的应用领域：基于标签的可获得性划分异常检测：基于传统方法的异常检测模型基于深度学习的异常检测模型Deep One ClassSVDDOC-NNDeep ClusteringCAE-L2 clusterDAE-DBCAutoEncoderGenerative ModelsPredictability Modeling基于迁移学习的异常检测方法基于Deep Metric learning的异常检测方法 本文作者：张宇欣 中国
异常检测之集成方法
mario12315的博客
01-24 841
一、前言 背景： 在现实异常检测业务场景中，数据集是多维度（通常是成百上千）的，随着维度的增加，数据空间的大小（体积）会以指数级别增长，使数据变得稀疏，这便是维度诅咒的难题（高维空间分析和组织数据时出现的一些在地维空间可能不会出现的现象）。 维度诅咒难点： 维度诅咒对距离的计算，聚类都带来了难题。例如基于邻近度的方法是在所有维度使用距离函数来定义局部性，但是，在高维空间中，所有点对的距离几乎都是相等的（距离集中），这使得一些基于距离的方法失效。 解决办法： 子空间方法 集成方法是子空间方法的一种，其优势是：
异常检测——集成学习
shaoyue1234的专栏
03-02 918
Ensembles for Unsupervised Outlier Detection: Challenges and Research Questions 首先，知道一个模型好不好（精确不） 外部指标 aucroc top-k正确率 但是这些都是有监督的???? 内部指标 目前暂无 其次，提高不同模型的多样性 多样性的意义 图中红色的一个点代表一个模型的结果，绿圈代表groundtruth，蓝色代表...
异常检测（Anomaly Detection）综述
诗筱涵的博客
07-04 2092
转载自：https://mp.weixin.qq.com/s/lHjyy5wYw-LlEgmRewSSwg 异常检测（Anomaly Detection）综述 小白学视觉 今天 点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达 本文转自|计算机视觉life 导读 异常检测是一个发现“少数派”的过程，本文将目前深度学习的异常检测的热门研究方向进行了分类，并列举了对应的文章，并推荐了值得一读的8篇新颖论文，帮助大家理解学习异常检测这一领域。 ..
异常检测Anomaly Detection（五）集成方法
pure95214的博客
05-24 412
文章目录1、引言2、Feature Bagging1.选择基检测器2.分数标准化和组合方法3、Isolation Forests4、总结5、feature bagging为什么可以降低方差？feature bagging存在哪些缺陷，有什么可以优化的idea？ 1、引言 在实际场景中，很多数据集都是多维度的。随着维度的增加，数据空间的大小（体积）会以指数级别增长，使数据变得稀疏，这便是维度诅咒的难题。维度诅咒不止给异常检测带来了挑战，对距离的计算，聚类都带来了难题。例如基于邻近度的方法是在所有维度使用距离函
异常检测及其分布集成
Liao_Wenzhe的博客
08-16 434
异常检测算法种类繁多，包括聚类，树，统计分布，机器学习，深度学习等多种形式，下面对一些常见问题进行了自己的总结： 1.如何选型？ 主要看算法原理和数据分布： 如下图所示，第一二张图的异常点容易成一个团，形成局部离群点，而图三则是全局离群点，不同的离群方式应当采用不同的算法，比如图1，2用聚类，图3用孤立森林。 一个非常好用的异常检测工具包：https://github.com/yzhao062/pyod 2.算法集成。 算法种类多，有时候单一算法并不能满足要求，需要对多算法做测试甚至进行集成，以
特征选择与异常检测：应用案例
程序员光剑
12-31 989
1.背景介绍 随着数据量的增加，特征的数量也随之增加，这使得机器学习模型的训练时间和计算资源需求增加，同时也可能导致模型的性能下降。因此，特征选择成为了机器学习中一个重要的问题。特征选择的目标是选择那些对模型性能有最大贡献的特征，同时去除不相关或者甚至有害的特征。 异常检测是一种预测问题，其目标是识别数据中的异常点。异常点通常是由于某种问题或者故障导致的，这些问题或者故障可能对系统的性能和安全...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值