问题定义
anomaly，outlier， novelty， exceptions
不同的方法使用不同的名词定义这类问题。
应用
二分类
假如只有正常的数据，而异常的数据的范围非常广的话（无法穷举），二分类这些不好做。另外就是异常资料不太好收集。
分类
每张图片都有标注，就可以来训练一个辛普森家族的成员分类器。
基于classifer来做异常检测。
基于信心分数来做异常问题，大于某值就是正常，小于某值就是异常
最大分数作为confidence
部分数据会有误判的情况
信心分估计
直接教网络信心分数，不仅是做分类任务C，也会给出信心分P
Train 和 Eval
100张辛普森家族图片，5张异常图片
- 有蓝色的正常图被错误分类成异常
- 有红色的异常图被错误分类成正常
这个时候用dev set上评估系统，这是一个二元分类问题。
正常异常比例的分布是非常悬殊的，这个系统可以有很高的准确率，但是没有做什么事，用acc准确率分类是没有意义的。
使用混淆矩阵：
cost table，做错的行为的代价，算一个分数：
针对自己的任务设定cost table。还有一些方法来衡量，比如AUC（roc曲线的面积）。
问题
脸上是黄的，然后系统给的分数就高，说明这个分类系统学到的并不是认清人，而是脸是否是黄的。
假设可以收到一些异常资料，可以学习在分类的同时，也给出异常的分数，但是这类数据不易收集。可以考虑使用GAN生成异常数据。
没有标签的场景
正常玩家和异常玩家（小白）
问题定义
需要数值化的方法来给每一个玩家的分数。 f ( 斯塔 ) f(斯塔) f(斯塔) 概率密度估计
高斯分布
