无监督异常检测算法的比较

最新推荐文章于 2024-03-20 16:50:56 发布

Kensin_

最新推荐文章于 2024-03-20 16:50:56 发布

阅读量1.2k

点赞数

分类专栏：异常检测

本文链接：https://blog.csdn.net/xiaohaigary/article/details/105344432

版权

该文对19种无监督异常检测算法在10个不同数据集上的性能进行了评估，探讨了算法的优缺点，适用场景以及对异常检测性能、计算量和参数设置的影响。异常检测广泛应用在入侵检测、欺诈检测、数据泄漏预防和医学等领域。

摘要由CSDN通过智能技术生成

无监督异常检测算法的比较

原论文：A comparative evaluation of unsupervised anomaly detection
algorithms for multivariate data

摘要

异常检测是指在数据集中发现与标准不同的意外项目或事件的过程。与标准分类任务相比，异常检测通常应用于未标记数据，只考虑数据集的内部结构。这种挑战被称为无监督异常检测，并在许多实际应用中得到解决，例如在网络入侵检测、欺诈检测以及生命科学和医学领域。在这一领域已经提出了几十种算法，但遗憾的是，研究界仍然缺乏一个比较通用的评估以及公共可用的数据集。在本研究中，我们针对这些不足之处，针对来自多个应用领域的10个不同资料集，评估了19种不同的无监督异常侦测演算法。通过发布源代码和数据集，本文旨在为无监督异常检测研究提供新的研究基础。此外，这一评估首次揭示了不同方法的优缺点。除了异常检测性能、计算量、参数设置的影响以及全局/局部异常检测行为外，还对异常检测性能进行了概述。最后，对典型的现实任务给出了算法选择的建议。

引言

在机器学习中，检测数据集中的“非正常”实例一直是人们非常感兴趣的。这个过程通常被称为异常检测。Grubbs在1969年给出了第一个定义[1]：“一个离群的观测值，或者说离群值，是一个看起来与它发生的样本中的其他成员明显不同的观测值。”。虽然这个定义在今天仍然有效，但是检测这些异常值的动机现在已经大不相同了。当时，检测的主要原因是从训练数据中去除异常值，因为模式识别算