异常检测

数据库审计与智能监控：从日志分析到异常检测title: 数据库审计与智能监控：从日志分析到异常检测 date: 2025/2/18 updated: 2025/2/18 author: cmdragon

[论文阅读] (37)CCS21 DeepAID：基于深度学习的异常检测（解释）祝大家新春快乐，蛇年吉祥！《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。由于作者的英文水平和学术能力不高，需要不断提升，所以还请大家批评指正，非常欢迎大家给我留言评论，学术路上期待与您前行，加油。

深度学习中的离群值是的，和许多刚刚接触深度学习的工程师默认的不一样的是——深度学习中也会遇到离群值（Outliers）。这些异常值可能存在于输入数据或标签中，并对模型的训练和预测结果产生负面影响。

基于的图的异常检测算法OddBallOddBall异常检测算法出自2010年的论文《OddBall: Spotting Anomalies in Weighted Graphs》，它是一个在加权图(weighted graph)上检测异常点的算法，基本思路为计算每一个点的一度邻域特征，然后在整个图上用这些特征拟合出一个函数，再根据拟合出来的参数计算每个点的异常分数，所以它可以用于无监督场景。

pyflink 时序异常检测——PEWMAEWMA: μ t = α μ t − 1 + ( 1 − α ) X t \mu_t = \alpha \mu_{t-1} + (1 - \alpha ) X_t μt=αμt−1+(1−α)Xt PEWMA: μ t = α ( 1 − β P t ) μ t − 1 + ( 1 − α ( 1 − β P t ) ) X t \mu_t = \alpha (1 - \beta P_t) \mu_{t-1} + (1 - \alpha (1 - \beta P_t)) X_t μt=α(1−βPt)μ

Rethinking Graph Neural Networksfor Anomaly DetectionAAAI24 推荐指数 #paper/⭐⭐ (由于这个领域初读，因此给的推荐分可能不好)其在半监督（1%，40%）的情况下，使用多通滤波器，将不同滤波器得到的特征拼接起来，来做分类，结果肯定会好(拼接在理论上比mean，sum等获得更多的信息，在不少的其他论文也用了这个trick) （悄咪咪的说：有没有发现，这个过滤器是不是很像BERNNET）

2020.ICDM.LP-Explain: Local Pictorial Explanation for Outlierspdftries to identify the set of best Local Pictorial explanations (deﬁned as the scatter plots in the 2-D space of the feature pairs) that can Explain the behavior for cluster of outliers.

1999.VLDB.Finding intensional knowledge of distance-based outlierspdfintensional knowledge: a description or an explanation of why an identified outlier is exceptional. two main issue: what kinds of intensional knowledge to provide; how to optimize the computation of such knowledge.

2022.DKE.Anomaly explanation: A reviewpdfto explain that anomaly to the user, we can just say that attribute f1 contributed to the abnormality of the square data point.

妙龄少女郭德纲

【异常检测】数据挖掘领域常用异常检测算法总结以及原理解析（一）基于统计的异常检测方法主要依赖于统计学原理来识别数据中的异常值。这些方法通常假设数据遵循一定的统计分布，如正态分布等。

妙龄少女郭德纲

【异常检测】数据挖掘领域常用异常检测算法总结以及原理解析（二）基于树的异常检测方法能够处理非线性关系，并且在处理大型数据集时相对高效。但它们对于高维数据的处理能力往往较弱，并且在异常点不是特别稀有时的检测效果会下降。

华为云开发者联盟

异常检测、自动告警，业务问题分钟级识别跨国业务覆盖范围广、用户多、业务量大，运维面临巨大挑战？应用平台AppStage运维中心来助力！本文分享自华为云社区《异常检测、自动告警，业务问题分钟级识别》，作者：开天aPaaS小助手。

机器学习之心

异常检测 | MATLAB实现基于支持向量机和孤立森林的数据异常检测(结合t-SNE降维和DBSCAN聚类)提取有用的特征，机器学习通常可以在少得多的数据上为您提供与深度学习相当或更好的结果。与在少得多的数据上的深度学习相比，可以获得可比或更好的结果。然后，我们将SVM、孤立森林（R2021b 中的新功能）、稳健协方差和马氏距离、DBSCAN 聚类方法应用于异常检测：在该数据上， SVM 的性能最好，孤立森林可以接受，而马氏距离效果不佳。

3D异常检测论文笔记 | Shape-Guided Dual-Memory Learning for 3D Anomaly Detection参考：https://paperswithcode.com/sota/3d-anomaly-detection-and-segmentation-on 论文：https://openreview.net/pdf?id=IkSGn9fcPz code：https://github.com/jayliu0313/Shape-Guided

机器学习：异常检测anomaly，outlier， novelty， exceptions