论文阅读： [ACM'09]Anomaly detection- A survey

最新推荐文章于 2022-04-28 16:59:12 发布
最新推荐文章于 2022-04-28 16:59:12 发布
阅读量2.2k 收藏 8
点赞数 1
分类专栏： 异常检测 文章标签： 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/u012624384/article/details/80984003
版权
本文介绍了ACM'09年关于异常检测的调查论文，探讨了异常检测的挑战，如数据界限模糊、适应性变化、数据不平衡等。论文涵盖了数据输入类型、异常类型、模型类别及输出、检测方法等。强调了近邻方法、聚类方法、基于统计和信息论的方法等，并指出不同方法在高维数据、距离度量选择等方面的适用性和局限性。
摘要由CSDN通过智能技术生成
写在前面： 

最近老大要求调研异常检测基本算法，所以近期阅读了一些论文，搜集了一些资料，想分享出来~ 

这一篇survey比较经典，总结的很全，建议想了解异常检测领域的小白都去研读一下，下面是我看论文记的一些关键点，可以说是直译了偷笑，如果不想看英文原作，可以参考这个

论文阅读： [ACM'09]Anomaly detection- A survey

挑战：

  1. 正常数据和异常数据之间的界限不是特别精确
  2. 异常行为会自适应变化来逃避异常检测，即当前的异常检测方法不一定会适应未来的方法
  3. 用于训练和验证的标记数据很难获得，数据不均衡</
最低0.47元/天 解锁文章
boombaya
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
异常检测(Anomaly Detection) 原理与代码实例讲解
AI大模型应用之禅
07-28 144
异常检测(Anomaly Detection) - 原理与代码实例讲解 关键词： 异常检测、离群值检测、异常值识别、异常模式检测、异常行为识别、统计方法、机器学习方法、深度学习方法、时间序列分析、数据挖掘、实时监控、故障预警、安全性提升、工业自动化、医疗健康、
【论文分享】深度异常检测综述（Deep Learning for Anomaly Detection: A Review）-上
vector的博客
07-12 3275
第一次分享论文，之前也没有任何关于深度学习或异常检测的学习背景，所以读起来非常吃力，本篇文章是对论文 Deep Learning for Anomaly Detection: A Review 的精读，基本是逐句看下来的，对不了解的地方进行了补充学习，如果你也和我一样，是深度学习或异常检测的小白，那这篇文章可能会对你有所帮助哦，一起看下去吧~ 论文简介 发表信息 论文链接：https://dl.acm.org/doi/10.1145/3439950 ACM Computing Surveys, Vo
Anomaly Detection_A Survey
05-02
异常检测的综述：Anomaly detection is an important problem that has been researched within diverse research areas and application domains. Many anomaly detection techniques have been specifically developed for certain application domains, while others are more generic. This survey tries to provide a structured and comprehensive overview of the research on anomaly detection.We have grouped existing techniques into different categories based on the underlying approach adopted by each technique.
《Anomaly Detection-A survey》
李泽珑李泽珑~~~
10-08 540
《Anomaly Detection-A survey》 Anomaly Detection 检测技术 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-innhRNxl-1601994734155)(C:\Users\Administrator.RORA5V8714TO6NE\AppData\Roaming\Typora\typora-user-images\image-20201005165302784.png)] 异常类型 Point Anomaly 数据点的异常，单个指
异常检测综述（Anomaly Detection: A Survey）
一智哇的博客
04-28 1万+
异常检测；综述
DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY(翻译)
weixin_50556981的博客
01-05 3272
异常检测的深度学习研究综述 原文： arXiv:1901.03407 摘要 异常检测是一个重要的问题，在不同的研究领域和应用领域都得到了很好的研究。本文的研究目的有两个：首先，我们对基于深度学习的异常检测的研究方法进行了系统而全面的综述。此外，我们回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。我们根据所采用的基本假设和方法，将最先进的深度异常检测研究技术分为不同的类别。在每个类别中，我们概述了基本的异常检测技术及其变体，并提出了关键假设，以区分正常和异常行为。此外，对于每一个类别，我们也提出了
前沿科技探究之AI工具：Anomaly-detection
Gauss松鼠会
03-30 6183
概述 anomaly_detection是openGauss集成的、可以用于数据库指标采集、预测指标趋势变化、慢SQL根因分析以及异常监控与诊断的AI工具，是DBMind套间中的一个组件。支持采集的信息分为三块，分别是os_exporter、database_exporter、wdr，os_exporter主要包括IO_Read、IO_Write、IO_Wait、CPU_Usage、Memory_Usage、数据库数据目录磁盘空间占用Disk_space；database_exporter主要包括QPS、部
CutPaste Self-Supervised Learning for Anomaly Detection and Localization
一只科研的向光
03-25 2032
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 用于异常检测和定位的自监督学习 简洁版 问题：异常的检测和定位 现有工作不足： ​ 现有的工作主要关注以对象为中心的自然图像中的检测语义异常值，这种方式在检测细粒度异常方面，没有很好的通用性 ​ 现有工作的中数据增强的方式（旋转预测，对比）对检测局部缺陷来说是次优的 **解决问题的挑战: ** 很难获取大量异常数据 缺陷很小且细微 精确定位缺陷是一个挑战，很难
Scanning the Cycle: Timing-based Authentication on PLCs（扫描周期：基于时序的PLC认证）
工控小白2021的博客
11-16 2523
扫描周期：基于时序的PLC认证一、摘要二、介绍 一、摘要 本文提出了一种新的PLC认证技术，其目的是在与实时系统兼容的同时提高针对强大攻击者的标准。==扫描周期是PLC的一个独特特性，可以通过观察网络流量来被动地进行估计。攻击者通过PLC发出的欺骗命令将偏离此类指纹。==为了检测重放攻击，提出了一种PLC水印技术。PLC水印通过将输入/输出建模为PLC的请求/响应消息的函数，对扫描周期和控制逻辑之间的关系进行建模。 二、介绍 PLC指纹：PLC指纹是其硬件和控制功能的一个函数，即PLC的时序特性。 PLC水
基于最近邻的异常检测 （1）——Distance-based方法
光怪陆离
06-19 3566
因为论文的需要，涉及到许多无监督异常检测算法。为了便于知识管理，打算对基于最邻近（k-NN，kth-NN，LOF，Loop等）、基于统计（HBOS）和孤立森林（Isolation Forest）算法进行总结。目前，无监督异常检测算法通常是设计某种策略为每一个数据样本分配相应的异常值得分，根据得分进行排序（得分越高，异常的程度越大），选择TOPn作为异常目标，其中n的设置需要经验知识。 ...
论文阅读: Anomaly Detection with Partially Observed Anomalies
RecDay2018's Blog
10-15 1215
对于异常检测而言，通常是根据标签是否可用而采取监督或者无监督的方式。论文提出一种新的方法，部分观测到异常，针对大量未标记的数据和少量已经标记为异常的数据，提出了一种ADOA的两阶段检测方法。首先聚类未标签数据确信正常和可能异常。然后再用加群多分类方法来给出对应类别的置信度。 对于无标签的数据而言，常用的无监督行为Distance based approaches [26], density ba...
Anormaly_Detection_with_Keras
机器会学习的博客
04-20 580
前天看到Oreilly推荐的一篇文章,用自编码器做异常检测基于mxnet实现,数据来自一个运动传感器收集的数据,今天我是Keras来实现这个自编码器,来进行异常检测. Import Data import pandas as pd import numpy as np # 训练数据 train_data = pd.read_csv('normal.csv') train_dat...
异常检测的深度学习：一项调查（翻译）
pingguolou的博客
06-03 2874
摘要 异常检测是一个重要的问题，在不同的研究领域和应用领域都得到了充分的研究。本调查的目的有两个方面，首先我们对基于深度学习的异常检测的研究方法进行了结构化和全面的概述。此外，我们回顾了这些方法在不同应用领域中对异常现象的采用情况，并评估其有效性。我们根据所采用的基本假设和方法，将最先进的深度异常检测研究技术归为不同的类别。在每个类别中，我们概述了基本的异常检测技术及其变体，并提出了关键假设，以区分正常和异常行为。此外，对于每个类别，我们还介绍了其优点和局限性，并讨论了这些技术在实际应用领域的计算复杂性。
异常检测(Out-of-distribution detection\ anomaly detection)相关论文阅读
supergxt的博客
06-17 3167
作者 Terrance DeVries 、Graham W. Taylor 论文原地址：https://arxiv.org/abs/1802.04865 Learning Confidence for OOD detection in NN OOD : where a network must determine whether or not an input is outside of the set on which it is expected to safely perform 提到任何事物都有认知
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记
lytxiaohou的博客
09-28 4340
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记学习笔记，如有谬误，还请不吝赐教！瞎BB以及不错的链接还不散，那就看文章吧，反正我也是google翻译的~1. Introduction2,3. 何为异常和新颖4. 动机和挑战5,6,7 略（嗯，博主就是这么敷衍...）8. DAD的不同方面8.1 数据性质8.2 基于标记信息8.2.1 Superv...
机器学习笔记7——异常检测（Anomaly Detection）
温故而知新
07-07 5161
前言：这是机器学习算法的一个应用，主要用于无监督学习。一、定义    已知有了一些数据，，新来一个数据，需要判断这个数据是否异常。给定无标签数据集，对数据建模为P(x)，x为特征变量。如果,就是阈值，那么就认为这是异常。二、利用高斯分布进行异常检测（样本都无标记）1、条件每个数据有n个特征，可以理解为n维，每个特征都服从自己的高斯分布。2、总结步骤三、算法评估（有些样本有标记）3.1 要求通常训练...
深度学习：乳腺检测abnormality detection in mammography +CAM
weixin_41108334的博客
11-23 3518
论文：Abnormality detection in mammography using deep convolutional Neural Networks 数据集：CBIS-DDSM （CC+MLO）*(right +left) one person ==》 (753钙化)+（891肿块）  数据增扩rotation  任务：二分类：calcification钙化+mass肿块 定位：...
异常检测（anomaly detection）
热门推荐
天泽28的专栏
05-20 5万+
异常检测（anomaly detection） 关于异常检测（anomaly detection）本文主要介绍一下几个方面： 异常检测定义及应用领域常见的异常检测算法高斯分布（正态分布）异常检测算法评估异常检测算法异常检测VS监督学习如何选择使用features多元高斯分布多元高斯分布在异常检测上的应用 一、异常检测定义及应用领域 先来看什么是异常检测？所谓异常检测就是发现与大
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