Self-Supervised Anomaly Detection A Survey and Outlook

本文是异常检测综述的另一篇文章,针对《Self-Supervised Anomaly Detection: A Survey and Outlook》进行翻译。

摘要

在过去几年中,异常检测是机器学习的一个子领域,主要关注罕见事件的检测,随着深度学习模型的空前增长,异常检测得到了极大的改进。
最近,自监督学习的出现引发了新的异常检测算法的发展,其精度大大超过了最先进的水平。本文旨在回顾自监督异常检测的现有方法。我们介绍了常用方法的技术细节,并讨论了它们的优缺点。我们还将这些模型的性能与其他最先进的异常检测模型进行了比较。最后,我们讨论了改进现有算法的各种新方向。

1. 引言

异常检测(AD)的任务是识别与大多数数据显著不同的样本,并经常表现成不规则、虚假、罕见或欺诈性观察的信号。在文献中,也使用了其他术语,如异常值、新颖性、分布外和偏差,而不是异常。异常检测在训练期间无法定义所有现有类的情况下特别有用。这使得AD算法可用于广泛的应用,包括但不限于网络安全中的入侵检测、金融和电信中的欺诈检测、声学新颖性检测、股票市场分析、地球科学领域中的事件检测、物理学、天文学,医学诊断和疾病检测、生物信息学和遗传学。
在过去的几十年里,为异常检测开发了一系列机器学习模型。核密度估计(KDE)、一类支持向量机ÿ

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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