异常检测论文大列表:方法、应用、综述

2019 年 7 月 15 日 专知
异常检测论文大列表:方法、应用、综述

导读

Github作者zhuyiche发布了一篇关于异常检测(Anomaly detection)的论文列表,包含异常检测领域的经典方法、深度学习方法、应用及综述。


作者 | zhuyiche

编译 | Xiaowen


https://github.com/zhuyiche/awesome-anomaly-detection


01


经典方法


  • Isolation Forest - ICDM 2008.

https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf

  • LOF: Identifying Density-Based Local Outliers - SIGMOD 2000.

http://www.dbs.ifi.lmu.de/Publikationen/Papers/LOF.pdf

  • Extended Isolation Forest

http://matias-ck.com/files/papers/Extended_Isolation_Forest.pdf

  • Support Vector Method for Novelty Detection - NIPS 2000

https://papers.nips.cc/paper/1723-support-vector-method-for-novelty-detection.pdf

One-Class Classification

  • One-Class SVMs for Document Classification - JMLR 2001.

http://www.jmlr.org/papers/volume2/manevitz01a/manevitz01a.pdf

  • Support Vector Data Description

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.100.1425&rep=rep1&type=pdf

  • Can I Trust My One-Class Classification?

http://www.ipb.uni-bonn.de/pdfs/Mack2014Can.pdf

  • Efficient Anomaly Detection via Matrix Sketching - NIPS 2018

https://arxiv.org/pdf/1804.03065.pdf

PCA-based

  • robust deep and inductive anomaly detection - ECML PKDD 2017

https://arxiv.org/abs/1704.06743

  • A loss framework for calibrated anomaly detection - NIPS 2018

https://papers.nips.cc/paper/7422-a-loss-framework-for-calibrated-anomaly-detection.pdf

Clustering

  • A Practical Algorithm for Distributed Clustering and Outlier Detection - NIPS 2018

https://arxiv.org/pdf/1805.09495.pdf

Correlation

  • Detecting Multiple Periods and Periodic Patterns in Event Time Sequences - CIKM 2017.

http://chaozhang.org/papers/cikm17a.pdf

Ranking

  • ranking causal anomalies via temporal and dynamical analysis on vanishing correlations - KDD 2016.

https://www.kdd.org/kdd2016/papers/files/rfp0445-chengAemb.pdf

https://www.kdd.org/kdd2016/papers/files/rfp0445-chengAemb.pdf


02

深度学习方法

Generative Methods

  • Variational Autoencoder based Anomaly Detection using Reconstruction Probability

http://dm.snu.ac.kr/static/docs/TR/SNUDM-TR-2015-03.pdf

Auto-encoder

  • Learning sparse representation with variational auto-encoder for anomaly detection

https://ieeexplore.ieee.org/document/8386760/

  • Anomaly Detection with Robust Deep Autoencoders - KDD 2017.

http://dl.acm.org/authorize?N33358

  • DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION - ICLR 2018.

https://www.cs.ucsb.edu/~bzong/doc/iclr18-dagmm.pdf

  • Generative Probabilistic Novelty Detection with Adversarial Autoencoders - NIPS 2018

https://papers.nips.cc/paper/7915-generative-probabilistic-novelty-detection-with-adversarial-autoencoders.pdf

Variational Auto-encoder

  • Multidimensional Time Series Anomaly Detection: A GRU-based Gaussian Mixture Variational Autoencoder Approach - ACML 2018

http://proceedings.mlr.press/v95/guo18a/guo18a.pdf

  • A Multimodel Anomaly Detector for Robot-Assisted Feeding Using an LSTM-based Variational Autoencoder - IEEE Robotics and Automation Letters 2018.

https://arxiv.org/pdf/1711.00614.pdf

GAN based

  • Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery - IPMI 2017.

https://arxiv.org/pdf/1703.05921.pdf

  • Efficient-GAN-Based Anomaly Detection ICLR Workshop 2018.

https://github.com/houssamzenati/Efficient-GAN-Anomaly-

Detection

  • Anomaly detection with generative adversarial networks - Reject by ICLR 2018, but was used as baseline method in recent published NIPS paper.

https://openreview.net/pdf?id=S1EfylZ0Z

Hypersphereical Learning

  • Anomaly Detection in Dynamic Networks using Multi-view Time-Series Hypersphere Learning - CIKM 2017.

https://dl.acm.org/citation.cfm?id=3132964

  • Deep into Hypersphere: Robust and Unsupervised Anomaly Discovery in Dynamic Networks - IJCAI 2018.

https://www.ijcai.org/proceedings/2018/0378.pdf

One-Class Classification

  • High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning - Pattern Recognition 2018.

https://www.sciencedirect.com/science/article/abs/pii/S0031320316300267

  • Optimal single-class classification strategies - NIPS 2007

https://papers.nips.cc/paper/2987-optimal-single-class-classification-strategies.pdf

  • Deep One-Class Classification - ICML 2018.

http://proceedings.mlr.press/v80/ruff18a/ruff18a.pdf

Energy-based

  • Deep structured energy based models for anomaly detection - ICML 2016

https://arxiv.org/pdf/1605.07717.pdf

Time series

  • A Generalized Student-t Based Approach to Mixed-Type Anomaly Detection - AAAI 2013

http://www.nvc.cs.vt.edu/~ctlu/Publication/2013/AAAI-Lu-2013.pdf

  • Stochastic Online Anomaly Analysis for Streaming Time Series - IJCAI 2017

https://www.ijcai.org/proceedings/2017/0445.pdf

  • Long short term memory networks for anmomaly detection in time series

https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2015-56.pdf

  • LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection - ICML 2016 Workshop.

https://arxiv.org/pdf/1607.00148.pdf

Interpretation

  • Contextual Outlier Interpretation -IJCAI 2018

https://www.ijcai.org/proceedings/2018/0341.pdf

Evaulation Metrics

  • Precision and Recall for Time Series - NIPS 2018

http://papers.nips.cc/paper/7462-precision-and-recall-for-time-series.pdf

Geometric transformation

  • Deep Anomaly Detection Using Geometric Transformations - NIPS 2018

https://arxiv.org/pdf/1805.10917.pdf

FeedBack

  • Incorporating Feedback into Tree-based Anomaly Detection - KDD 2017 Workshop on Interactive Data Exploration and Analytics.

https://github.com/ai/size-limit

  • Feedback-Guided Anomaly Discovery via Online Optimization - KDD 2018.

http://web.engr.oregonstate.edu/~afern/papers/kdd18-siddiqui.pdf


03

异常检测应用

KPI

  • Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications - WWW 2018.

https://arxiv.org/pdf/1802.03903

Log

  • DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning - CCS 2017.

https://acmccs.github.io/papers/p1285-duA.pdf

  • Mining Invariants from Logs for System Problem Detection - USENIX 2010

https://www.usenix.org/legacy/event/atc10/tech/slides/lou.pdf

https://www.usenix.org/legacy/event/atc10/tech/slides/lou.pdf


04

综述

Survey

  • Anomaly detection in dynamic networks: a survey

https://onlinelibrary.wiley.com/doi/pdf/10.1002/wics.1347

  • Anomaly Detection : A Survey

http://cucis.ece.northwestern.edu/projects/DMS/publications/AnomalyDetection.pdf

  • A Survey of Recent Trends in One Class Classification

https://link.springer.com/chapter/10.1007/978-3-642-17080-5_21

  • A survey on unsupervised outlier detection in high‐dimensional numerical data

https://onlinelibrary.wiley.com/doi/abs/10.1002/sam.11161


-END-

专 · 知

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!550+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
69

相关内容

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时,有趣性对象往往不是罕见对象,但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象,于是许多异常检测方法(特别是无监督的方法)将对此类数据失效,除非进行了合适的聚集。相反,聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下,无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集,并涉及到训练分类器(与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性)。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成的测试实例的可能性。

异常检测是一个在各个研究领域和应用领域内得到广泛研究的重要问题。本研究的目的有两个方面:首先,我们对基于深度学习的异常检测的研究方法进行了系统全面的综述。此外,我们还回顾了这些方法对不同应用领域异常的应用,并评估了它们的有效性。我们根据所采用的基本假设和方法,将最先进的研究技术分为不同的类别。在每一类中,我们概述了基本的异常检测技术,以及它的变体,并给出了关键的假设,以区分正常行为和异常行为。对于我们介绍的每一类技术,我们还介绍了它们的优点和局限性,并讨论了这些技术在实际应用领域中的计算复杂性。最后,我们概述了研究中的未决问题和采用这些技术时所面临的挑战。

成为VIP会员查看完整内容
20190114-DEEP LEARNING FOR ANOMALY DETECTION A SURVEY.pdf
0
130

【深度学习视频分析/多模态学习资源大列表】'Awesome Deep Learning for Video Analysis - Papers, code and datasets about deep learning for video analysis, multi-modal learning' by Huaizheng GitHub ​​​​

成为VIP会员查看完整内容
0
56
小贴士
相关VIP内容
专知会员服务
34+阅读 · 2020年3月19日
专知会员服务
63+阅读 · 2020年3月12日
专知会员服务
59+阅读 · 2020年2月8日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
64+阅读 · 2019年10月21日
【深度学习视频分析/多模态学习资源大列表】
专知会员服务
56+阅读 · 2019年10月16日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
16+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
31+阅读 · 2019年9月29日
相关论文
Transfer Adaptation Learning: A Decade Survey
Lei Zhang
29+阅读 · 2019年3月12日
Duc Tam Nguyen,Zhongyu Lou,Michael Klar,Thomas Brox
6+阅读 · 2019年1月28日
Claudio Gambella,Bissan Ghaddar,Joe Naoum-Sawaya
7+阅读 · 2019年1月16日
Object-centric Auto-encoders and Dummy Anomalies for Abnormal Event Detection in Video
Radu Tudor Ionescu,Fahad Shahbaz Khan,Mariana-Iuliana Georgescu,Ling Shao
4+阅读 · 2018年12月11日
Adversarial Transfer Learning
Garrett Wilson,Diane J. Cook
9+阅读 · 2018年12月6日
Interpretable Convolutional Neural Networks via Feedforward Design
C. -C. Jay Kuo,Min Zhang,Siyang Li,Jiali Duan,Yueru Chen
4+阅读 · 2018年10月5日
Deep Learning for Generic Object Detection: A Survey
Li Liu,Wanli Ouyang,Xiaogang Wang,Paul Fieguth,Jie Chen,Xinwang Liu,Matti Pietikäinen
7+阅读 · 2018年9月6日
Supervised classification of Dermatological diseases by Deep learning
Sourav Mishra,Toshihiko Yamasaki,Hideaki Imaizumi
4+阅读 · 2018年7月31日
David Tolpin
5+阅读 · 2018年5月5日
Krishnan Kumaran,Dimitri Papageorgiou,Yutong Chang,Minhan Li,Martin Takáč
8+阅读 · 2018年3月28日
Top