异常检测定义

        Anomaly detection。异常检测是对与标准行为或模式显著不同的罕见事件、项目或可疑观察的识别。异常也被称为异常值、噪声、偏差等。

对于异常的理解：

• 异常不一定是无用的，部分异常对数据挖掘领域有较大的价值
• 不同的场景下，异常的界定结果也并非均是异常

检测难点

• 相对于正常点，异常点数量可能非常少
• 异常和数据本身的噪声波动很难区分
• 无法预知异常点所属类型

异常分类

点异常、条件异常、聚集异常

异常结果

呈现方式：

• 异常标签 labels：直接标记正常数据和异常数据
• 异常得分 score：表示异常程度的数值

---

传统异常检测方法

        传统的异常检测技术方法，主要是基于类标号和研究方法进行分类。

1、基于类标号。可细分为监督、半监督、无监督

2、基于研究方法。根据其训练步所使用方法不同，分为基于模型、邻近度、基于聚类和分类的异常检测。

 2.1 基于模型的异常检测。可细分为基于模型、深度、误差的方法。

1）基于模型/统计。古早的异常检测是基于统计来判断的。由训练步和测试步组成，检测效率随着数据维度和数据量的增加而降低，适用于单变量数据集。

2）基于深度。其异常检测方法包括：

• 凸壳剥离法：从最外层开始构建凸壳，类似onion
• 半空间深度法：根据深度值判断异常点，
• FDC法：基于半空间深度法，设定阈值筛选异常点，效率较高
• 最小椭球体积估计：通过数据分布划分椭圆边界，其外则异常

3）基于误差。理论充足，应用较少，需事先了解数据特征。

2.2 基于邻近度。具体细分为基于距离、密度。经典方法LOF。存在的不足：难以确定最小近邻域。

 2.3 基于聚类。会将联系紧密的数据归分至同簇，异常数据则不属于任一簇或者原理簇中心。为无监督方法，其主要任务是对数据聚类，且异常检测的效果不咋理想。

2.4 基于分类。根据训练集建立分类器（分类模型），确定对象所属目标类，适用于预测二元分类数据集。

• 基于神经网络。将信息的存储和处理结合，对数据建模的同时区分异常类，有较好的智能性和容错能力，应用较广。
• 基于贝叶斯网络、基于支持向量机、基于规则。即学习正常标签数据中的规则来寻找异常。

深度异常检测方法

        深度异常检测即深度学习支持的异常检测。

为何会选择采取深度检测的方法？实践中，深度方法具有更强的处理这类大规模数据的能力

深度异常检测方法分类：只作为特征提取器、用于表示学习配合其他loss使用、端到端得到异常分值

参考

• 深度异常检测入门:一个统—框架与一个分类
• 异常检测综述：Deep Learning for Anomaly Detection: A Review

参考文献

[1]卓琳,赵厚宇,詹思延.异常检测方法及其应用综述[J].计算机应用研究,2020(S01):9-15