欢迎来到 PyOD V2 文档！¶

部署、文档、统计信息和许可证

请先阅读¶

欢迎来到 PyOD，这是一个全面且易于使用的 Python 库，用于检测多元数据中的异常。无论您是处理小型项目还是大型数据集，PyOD 都提供了一系列算法来满足您的需求。

PyOD 版本 2 现已发布 (论文) [ACQS+24]，其特点包括：

扩展的深度学习支持：将 12 个现代神经网络模型集成到一个基于 PyTorch 的框架中，使异常检测方法的总数达到 45 个。
增强的性能和易用性：模型经过优化，可在不同数据集上实现高效和一致的性能。
基于 LLM 的模型选择：由大型语言模型指导的自动化模型选择减少了手动调优，并帮助了那些可能在异常检测方面经验有限的用户。

附加资源:

NLP 异常检测：NLP-ADBench 提供了 NLP 异常检测数据集和算法 [ALLX+24]
时间序列异常检测：TODS
图异常检测：PyGOD
性能比较和数据集：我们有一份 45 页的综合性异常检测基准测试论文。完全开源的 ADBench 在 57 个基准数据集上比较了 30 种异常检测算法。
分布式系统上的 PyOD：您也可以在 Databricks 上运行 PyOD
了解更多：异常检测资源

查看我们关于基于 LLM 的异常检测的最新研究 [AYNL+24]：AD-LLM：大型语言模型在异常检测中的基准测试。

关于 PyOD¶

PyOD 成立于 2017 年，现已成为用于检测多元数据中异常/离群对象的首选 Python 库。这个令人兴奋但充满挑战的领域通常被称为离群点检测 (Outlier Detection) 或异常检测 (Anomaly Detection)。

PyOD 包含 50 多种检测算法，从经典的 LOF (SIGMOD 2000) 到前沿的 ECOD 和 DIF (TKDE 2022 和 2023)。自 2017 年以来，PyOD 已成功应用于众多学术研究项目和商业产品中，下载量超过 2600 万。它也得到了机器学习社区的广泛认可，拥有各种专题文章/教程，包括 Analytics Vidhya、KDnuggets 和 Towards Data Science。

PyOD 的特点是:

跨各种算法的统一用户友好界面。
广泛的模型范围，从经典技术到基于 PyTorch 的最新深度学习方法。
高性能和高效率，利用 numba 和 joblib 进行 JIT 编译和并行处理。
快速训练和预测，通过 SUOD 框架实现 [AZHC+21]。

使用 5 行代码进行异常检测:

# Example: Training an ECOD detector
from pyod.models.ecod import ECOD
clf = ECOD()
clf.fit(X_train)
y_train_scores = clf.decision_scores_  # Outlier scores for training data
y_test_scores = clf.decision_function(X_test)  # Outlier scores for test data

选择正确的算法：不确定从哪里开始？考虑这些鲁棒且可解释的选项

ECOD：使用 ECOD 进行异常检测的示例
Isolation Forest：使用 Isolation Forest 进行异常检测的示例

或者，探索 MetaOD 以采用数据驱动的方法。

引用 PyOD:

如果您在科学出版物中使用 PyOD，请引用以下论文，我们将不胜感激：

PyOD 2：使用基于 LLM 的模型选择的 Python 异常检测库作为预印本提供。如果您在科学出版物中使用 PyOD，请引用以下论文，我们将不胜感激：

@article{zhao2024pyod2,
    author  = {Chen, Sihan and Qian, Zhuangzhuang and Siu, Wingchun and Hu, Xingcan and Li, Jiaqi and Li, Shawn and Qin, Yuehan and Yang, Tiankai and Xiao, Zhuo and Ye, Wanghao and Zhang, Yichi and Dong, Yushun and Zhao, Yue},
    title   = {PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection},
    journal = {arXiv preprint arXiv:2412.12154},
    year    = {2024}
}

PyOD 论文发表在 Journal of Machine Learning Research (JMLR) (MLOSS 赛道)。

@article{zhao2019pyod,
    author  = {Zhao, Yue and Nasrullah, Zain and Li, Zheng},
    title   = {PyOD: A Python Toolbox for Scalable Outlier Detection},
    journal = {Journal of Machine Learning Research},
    year    = {2019},
    volume  = {20},
    number  = {96},
    pages   = {1-7},
    url     = {http://jmlr.org/papers/v20/19-011.html}
}

或

Zhao, Y., Nasrullah, Z. and Li, Z., 2019. PyOD: A Python Toolbox for Scalable Outlier Detection. Journal of machine learning research (JMLR), 20(96), pp.1-7.

要获得异常检测的更广阔视角，请参阅我们的 NeurIPS 论文 ADBench：异常检测基准测试论文和 ADGym：深度异常检测的设计选择

@article{han2022adbench,
    title={Adbench: Anomaly detection benchmark},
    author={Han, Songqiao and Hu, Xiyang and Huang, Hailiang and Jiang, Minqi and Zhao, Yue},
    journal={Advances in Neural Information Processing Systems},
    volume={35},
    pages={32142--32159},
    year={2022}
}

@article{jiang2023adgym,
    title={ADGym: Design Choices for Deep Anomaly Detection},
    author={Jiang, Minqi and Hou, Chaochuan and Zheng, Ao and Han, Songqiao and Huang, Hailiang and Wen, Qingsong and Hu, Xiyang and Zhao, Yue},
    journal={Advances in Neural Information Processing Systems},
    volume={36},
    year={2023}
}

ADBench 基准测试和数据集¶

我们刚刚发布了一份长达 45 页的最全面的ADBench：异常检测基准测试 [AHHH+22]。完全开源的 ADBench 在 57 个基准数据集上比较了 30 种异常检测算法。

ADBench 的组织结构如下

为了更直观的展示，我们通过 compare_all_models.py 进行了部分模型的比较。

已实现的算法¶

PyOD 工具包包含三个主要的功能组

(i) 单个检测算法 :

类型	简称	算法	年份	类	参考
基于概率	ECOD	使用经验累积分布函数的无监督异常检测	2022	`pyod.models.ecod.ECOD`	[ALZH+22]
基于概率	COPOD	COPOD：基于 Copula 的异常检测	2020	`pyod.models.copod.COPOD`	[ALZB+20]
基于概率	ABOD	基于角度的异常检测	2008	`pyod.models.abod.ABOD`	[AKZ+08]
基于概率	FastABOD	使用近似方法的快速基于角度的异常检测	2008	`pyod.models.abod.ABOD`	[AKZ+08]
基于概率	MAD	中位数绝对偏差 (MAD)	1993	`pyod.models.mad.MAD`	[AIH93]
基于概率	SOS	随机异常选择	2012	`pyod.models.sos.SOS`	[AJHuszarPvdH12]
基于概率	QMCD	拟蒙特卡罗偏差异常检测	2001	`pyod.models.qmcd.QMCD`	[AFM01]
基于概率	KDE	使用核密度函数的异常检测	2007	`pyod.models.kde.KDE`	[ALLP07]
基于概率	采样	通过采样进行快速基于距离的异常检测	2013	`pyod.models.sampling.Sampling`	[ASB13]
基于概率	GMM	用于异常分析的概率混合模型		`pyod.models.gmm.GMM`	[AAgg15] [第2章]
线性模型	PCA	主成分分析（加权投影到特征向量超平面的距离之和）	2003	`pyod.models.pca.PCA`	[ASCSC03]
线性模型	KPCA	核主成分分析	2007	`pyod.models.kpca.KPCA`	[AHof07]
线性模型	MCD	最小协方差行列式（使用马氏距离作为异常分数）	1999	`pyod.models.mcd.MCD`	[AHR04, ARD99]
线性模型	CD	使用库克距离进行异常检测	1977	`pyod.models.cd.CD`	[ACoo77]
线性模型	OCSVM	单类支持向量机	2001	`pyod.models.ocsvm.OCSVM`	[AScholkopfPST+01]
线性模型	LMDD	基于偏差的异常检测 (LMDD)	1996	`pyod.models.lmdd.LMDD`	[AAAR96]
基于邻近度	LOF	局部异常因子	2000	`pyod.models.lof.LOF`	[ABKNS00]
基于邻近度	COF	基于连通性的异常因子	2002	`pyod.models.cof.COF`	[ATCFC02]
基于邻近度	增量 COF	内存高效的基于连通性的异常因子（较慢但降低存储复杂度）	2002	`pyod.models.cof.COF`	[ATCFC02]
基于邻近度	CBLOF	基于聚类的局部异常因子	2003	`pyod.models.cblof.CBLOF`	[AHXD03]
基于邻近度	LOCI	LOCI：使用局部相关积分的快速异常检测	2003	`pyod.models.loci.LOCI`	[APKGF03]
基于邻近度	HBOS	基于直方图的异常分数	2012	`pyod.models.hbos.HBOS`	[AGD12]
基于邻近度	kNN	k 最近邻（使用到第 k 个最近邻的距离作为异常分数	2000	`pyod.models.knn.KNN`	[AAP02, ARRS00]
基于邻近度	AvgKNN	平均 kNN（使用到 k 个最近邻的平均距离作为异常分数）	2002	`pyod.models.knn.KNN`	[AAP02, ARRS00]
基于邻近度	MedKNN	中位数 kNN（使用到 k 个最近邻的中位数距离作为异常分数）	2002	`pyod.models.knn.KNN`	[AAP02, ARRS00]
基于邻近度	SOD	子空间异常检测	2009	`pyod.models.sod.SOD`	[AKKrogerSZ09]
基于邻近度	ROD	基于旋转的异常检测	2020	`pyod.models.rod.ROD`	[AABC20]
异常集成	IForest	Isolation Forest	2008	`pyod.models.iforest.IForest`	[ALTZ08, ALTZ12]
异常集成	INNE	使用最近邻集成的基于 Isolation 的异常检测	2018	`pyod.models.inne.INNE`	[ABTA+18]
异常集成	DIF	用于异常检测的深度 Isolation Forest	2023	`pyod.models.dif.DIF`	[AXPWW23]
异常集成	FB	特征装袋	2005	`pyod.models.feature_bagging.FeatureBagging`	[ALK05]
异常集成	LSCP	LSCP：并行异常集成的局部选择性组合	2019	`pyod.models.lscp.LSCP`	[AZNHL19]
异常集成	XGBOD	基于极端 Boosting 的异常检测 (有监督)	2018	`pyod.models.xgbod.XGBOD`	[AZH18]
异常集成	LODA	轻量级在线异常检测器	2016	`pyod.models.loda.LODA`	[APevny16]
异常集成	SUOD	SUOD：加速大规模无监督异构异常检测 (加速)	2021	`pyod.models.suod.SUOD`	[AZHC+21]
神经网络	AutoEncoder	全连接 AutoEncoder（使用重建误差作为异常分数）	2015	`pyod.models.auto_encoder.AutoEncoder`	[AAgg15] [第3章]
神经网络	VAE	变分 AutoEncoder（使用重建误差作为异常分数）	2013	`pyod.models.vae.VAE`	[AKW13]
神经网络	Beta-VAE	变分 AutoEncoder（通过改变 gamma 和 capacity 定制所有损失项）	2018	`pyod.models.vae.VAE`	[ABHP+18]
神经网络	SO_GAAL	单目标生成对抗主动学习	2019	`pyod.models.so_gaal.SO_GAAL`	[ALLZ+19]
神经网络	MO_GAAL	多目标生成对抗主动学习	2019	`pyod.models.mo_gaal.MO_GAAL`	[ALLZ+19]
神经网络	DeepSVDD	深度单类分类	2018	`pyod.models.deep_svdd.DeepSVDD`	[ARVG+18]
神经网络	AnoGAN	使用生成对抗网络的异常检测	2017	`pyod.models.anogan.AnoGAN`	[ASSeebockW+17]
神经网络	ALAD	对抗学习异常检测	2018	`pyod.models.alad.ALAD`	[AZRF+18]
神经网络	DevNet	使用偏差网络的深度异常检测	2019	`pyod.models.devnet.DevNet`	[APSVDH19]
神经网络	AE1SVM	基于 Autoencoder 的单类支持向量机	2019	`pyod.models.ae1svm.AE1SVM`	[ANV19]
基于图	R-Graph	通过 R-graph 进行异常检测	2017	`pyod.models.rgraph.RGraph`	[AYRV17]
基于图	LUNAR	LUNAR：通过图神经网络统一局部异常检测方法	2022	`pyod.models.lunar.LUNAR`	[AGHNN22]

(ii) 异常集成和异常检测器组合框架:

类型	简称	算法	年份	参考
异常集成		特征装袋	2005	`pyod.models.feature_bagging.FeatureBagging`	[ALK05]
异常集成	LSCP	LSCP：并行异常集成的局部选择性组合	2019	`pyod.models.lscp.LSCP`	[AZNHL19]
异常集成	XGBOD	基于极端 Boosting 的异常检测 (有监督)	2018	`pyod.models.xgbod.XGBOD`	[AZH18]
异常集成	LODA	轻量级在线异常检测器	2016	`pyod.models.loda.LODA`	[APevny16]
异常集成	SUOD	SUOD：加速大规模无监督异构异常检测 (加速)	2021	`pyod.models.suod.SUOD`	[AZHC+21]
组合方法	平均	通过对分数求平均进行简单组合	2015	`pyod.models.combination.average()`	[AAS15]
组合方法	加权平均	通过使用检测器权重对分数求平均进行简单组合	2015	`pyod.models.combination.average()`	[AAS15]
组合方法	最大化	通过取最大分数进行简单组合	2015	`pyod.models.combination.maximization()`	[AAS15]
组合方法	AOM	最大值的平均	2015	`pyod.models.combination.aom()`	[AAS15]
组合方法	MOA	平均值的最大值	2015	`pyod.models.combination.moa()`	[AAS15]
组合方法	中位数	通过取分数的中位数进行简单组合	2015	`pyod.models.combination.median()`	[AAS15]
组合方法	多数投票	通过对标签进行多数投票进行简单组合（可使用权重）	2015	`pyod.models.combination.majority_vote()`	[AAS15]

(iii) 实用函数:

类型	名称	函数
数据	`pyod.utils.data.generate_data()`	合成数据生成；正常数据由多元高斯分布生成，异常数据由均匀分布生成
数据	`pyod.utils.data.generate_data_clusters()`	聚类合成数据生成；可以使用多个聚类创建更复杂的数据模式
统计	`pyod.utils.stat_models.wpearsonr()`	计算两个样本的加权皮尔逊相关系数
实用工具	`pyod.utils.utility.get_label_n()`	通过将前 n 个异常分数分配为 1，将原始异常分数转换为二进制标签
实用工具	`pyod.utils.utility.precision_n_scores()`	计算 rank n 处的精确率

API 速查表和参考¶

以下 API 适用于所有检测器模型，以便于使用。

pyod.models.base.BaseDetector.fit()：拟合检测器。在无监督方法中，y 被忽略。
pyod.models.base.BaseDetector.decision_function()：使用已拟合的检测器预测 X 的原始异常分数。
pyod.models.base.BaseDetector.predict()：使用已拟合的检测器预测特定样本是否为异常值。
pyod.models.base.BaseDetector.predict_proba()：使用已拟合的检测器预测样本为异常值的概率。
pyod.models.base.BaseDetector.predict_confidence()：预测模型样本级别的置信度（在 predict 和 predict_proba 中可用）。

已拟合模型的关键属性

pyod.models.base.BaseDetector.decision_scores_：训练数据的异常分数。分数越高，越异常。异常值倾向于有更高的分数。
pyod.models.base.BaseDetector.labels_：训练数据的二进制标签。0 表示正常值，1 表示异常值/异常。

参考文献

[AAgg15] (1,2)

Charu C Aggarwal. Outlier analysis. 载于 Data mining, 75–79 页。Springer, 2015 年。

[AAS15] (1,2,3,4,5,6,7)

Charu C Aggarwal 和 Saket Sathe. Theoretical foundations and algorithms for outlier ensembles. ACM SIGKDD Explorations Newsletter, 17(1):24–47, 2015 年。

[AABC20]

Yahya Almardeny, Noureddine Boujnah 和 Frances Cleary. A novel outlier detection method for multivariate data. IEEE Transactions on Knowledge and Data Engineering, 2020 年。

[AAP02] (1,2,3)

Fabrizio Angiulli 和 Clara Pizzuti. Fast outlier detection in high dimensional spaces. 载于 European Conference on Principles of Data Mining and Knowledge Discovery, 15–27 页。Springer, 2002 年。

[AAAR96]

Andreas Arning, Rakesh Agrawal 和 Prabhakar Raghavan. A linear method for deviation detection in large databases. 载于 KDD, 卷 1141, 972–981 页。1996 年。

[ABTA+18]

Tharindu R Bandaragoda, Kai Ming Ting, David Albrecht, Fei Tony Liu, Ye Zhu 和 Jonathan R Wells. Isolation-based anomaly detection using nearest-neighbor ensembles. Computational Intelligence, 34(4):968–998, 2018 年。

[ABKNS00]

Markus M Breunig, Hans-Peter Kriegel, Raymond T Ng 和 Jörg Sander. Lof: identifying density-based local outliers. 载于 ACM sigmod record, 卷 29, 93–104 页。ACM, 2000 年。

[ABHP+18]

Christopher P Burgess, Irina Higgins, Arka Pal, Loic Matthey, Nick Watters, Guillaume Desjardins 和 Alexander Lerchner. Understanding disentangling in betvae. arXiv preprint arXiv:1804.03599, 2018 年。

[ACQS+24]

Sihan Chen, Zhuangzhuang Qian, Wingchun Siu, Xingcan Hu, Jiaqi Li, Shawn Li, Yuehan Qin, Tiankai Yang, Zhuo Xiao, Wanghao Ye, 和其他人. Pyod 2: a python library for outlier detection with llm-powered model selection. arXiv preprint arXiv:2412.12154, 2024 年。

[ACoo77]

R Dennis Cook. Detection of influential observation in linear regression. Technometrics, 19(1):15–18, 1977 年。

[AFM01]

Kai-Tai Fang 和 Chang-Xing Ma. Wrap-around l2-discrepancy of random sampling, latin hypercube and uniform designs. Journal of complexity, 17(4):608–624, 2001 年。

[AGD12]

Markus Goldstein 和 Andreas Dengel. Histogram-based outlier score (hbos): a fast unsupervised anomaly detection algorithm. KI-2012: Poster and Demo Track, 59–63 页, 2012 年。

[AGHNN22]

Adam Goodge, Bryan Hooi, See-Kiong Ng 和 Wee Siong Ng. Lunar: unifying local outlier detection methods via graph neural networks. 载于 Proceedings of the AAAI Conference on Artificial Intelligence, 卷 36, 6737–6745 页。2022 年。

[AHHH+22]

Songqiao Han, Xiyang Hu, Hailiang Huang, Mingqi Jiang 和 Yue Zhao. Adbench: anomaly detection benchmark. arXiv preprint arXiv:2206.09426, 2022 年。

[AHR04]

Johanna Hardin 和 David M Rocke. Outlier detection in the multiple cluster setting using the minimum covariance determinant estimator. Computational Statistics & Data Analysis, 44(4):625–638, 2004 年。

[AHXD03]

Zengyou He, Xiaofei Xu 和 Shengchun Deng. Discovering cluster-based local outliers. Pattern Recognition Letters, 24(9-10):1641–1650, 2003 年。

[AHof07]

Heiko Hoffmann. Kernel pca for novelty detection. Pattern recognition, 40(3):863–874, 2007 年。

[AIH93]

Boris Iglewicz 和 David Caster Hoaglin. How to detect and handle outliers. 卷 16. Asq Press, 1993 年。

[AJHuszarPvdH12]

JHM Janssens, Ferenc Huszár, EO Postma 和 HJ van den Herik. Stochastic outlier selection. 技术报告, Technical report TiCC TR 2012-001, Tilburg University, Tilburg Center for Cognition and Communication, Tilburg, The Netherlands, 2012 年。

[AKW13]

Diederik P Kingma 和 Max Welling. Auto-encoding variational bayes. arXiv preprint arXiv:1312.6114, 2013 年。

[AKKrogerSZ09]

Hans-Peter Kriegel, Peer Kröger, Erich Schubert 和 Arthur Zimek. Outlier detection in axis-parallel subspaces of high dimensional data. 载于 Pacific-Asia Conference on Knowledge Discovery and Data Mining, 831–838 页。Springer, 2009 年。

[AKZ+08] (1,2)

Hans-Peter Kriegel, Arthur Zimek 和其他人. Angle-based outlier detection in high-dimensional data. 载于 Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery in data mining, 444–452 页。ACM, 2008 年。

[ALLP07]

Longin Jan Latecki, Aleksandar Lazarevic 和 Dragoljub Pokrajac. Outlier detection with kernel density functions. 载于 International Workshop on Machine Learning and Data Mining in Pattern Recognition, 61–75 页。Springer, 2007 年。

[ALK05] (1,2)

Aleksandar Lazarevic 和 Vipin Kumar. Feature bagging for outlier detection. 载于 Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining, 157–166 页。ACM, 2005 年。

[ALLX+24]

Yuangang Li, Jiaqi Li, Zhuo Xiao, Tiankai Yang, Yi Nian, Xiyang Hu 和 Yue Zhao. Nlp-adbench: nlp anomaly detection benchmark. arXiv preprint arXiv:2412.04784, 2024 年。

[ALZB+20]

Zheng Li, Yue Zhao, Nicola Botta, Cezar Ionescu 和 Xiyang Hu. COPOD: copula-based outlier detection. 载于 IEEE International Conference on Data Mining (ICDM)。IEEE, 2020 年。

[ALZH+22]

Zheng Li, Yue Zhao, Xiyang Hu, Nicola Botta, Cezar Ionescu 和 H. George Chen. Ecod: unsupervised outlier detection using empirical cumulative distribution functions. IEEE Transactions on Knowledge and Data Engineering, 2022 年。

[ALTZ08]

Fei Tony Liu, Kai Ming Ting 和 Zhi-Hua Zhou. Isolation forest. 载于 Data Mining, 2008. ICDM'08. Eighth IEEE International Conference on, 413–422 页。IEEE, 2008 年。

[ALTZ12]

Fei Tony Liu, Kai Ming Ting 和 Zhi-Hua Zhou. Isolation-based anomaly detection. ACM Transactions on Knowledge Discovery from Data (TKDD), 6(1):3, 2012 年。

[ALLZ+19] (1,2)

Yezheng Liu, Zhe Li, Chong Zhou, Yuanchun Jiang, Jianshan Sun, Meng Wang 和 Xiangnan He. Generative adversarial active learning for unsupervised outlier detection. IEEE Transactions on Knowledge and Data Engineering, 2019 年。

[ANV19]

Minh-Nghia Nguyen 和 Ngo Anh Vien. Scalable and interpretable one-class svms with deep learning and random fourier features. 载于 Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part I 18, 157–172 页。Springer, 2019 年。

[APSVDH19]

Guansong Pang, Chunhua Shen 和 Anton Van Den Hengel. Deep anomaly detection with deviation networks. 载于 Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining, 353–362 页。2019 年。

[APKGF03]

Spiros Papadimitriou, Hiroyuki Kitagawa, Phillip B Gibbons 和 Christos Faloutsos. Loci: fast outlier detection using the local correlation integral. 载于 Data Engineering, 2003. Proceedings. 19th International Conference on, 315–326 页。IEEE, 2003 年。

[APVD20]

Lorenzo Perini, Vincent Vercruyssen 和 Jesse Davis. Quantifying the confidence of anomaly detectors in their example-wise predictions. 载于 Joint European Conference on Machine Learning and Knowledge Discovery in Databases, 227–243 页。Springer, 2020 年。

[APevny16] (1,2)

Tomáš Pevn\`y. Loda: lightweight on-line detector of anomalies. Machine Learning, 102(2):275–304, 2016 年。

[ARRS00] (1,2,3)

Sridhar Ramaswamy, Rajeev Rastogi 和 Kyuseok Shim. Efficient algorithms for mining outliers from large data sets. 载于 ACM Sigmod Record, 卷 29, 427–438 页。ACM, 2000 年。

[ARD99]

Peter J Rousseeuw 和 Katrien Van Driessen. A fast algorithm for the minimum covariance determinant estimator. Technometrics, 41(3):212–223, 1999 年。

[ARVG+18]

Lukas Ruff, Robert Vandermeulen, Nico Görnitz, Lucas Deecke, Shoaib Siddiqui, Alexander Binder, Emmanuel Müller 和 Marius Kloft. Deep one-class classification. International conference on machine learning, 2018 年。

[ASSeebockW+17]

Thomas Schlegl, Philipp Seeböck, Sebastian M Waldstein, Ursula Schmidt-Erfurth 和 Georg Langs. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery. 载于 International conference on information processing in medical imaging, 146–157 页。Springer, 2017 年。

[AScholkopfPST+01]

Bernhard Schölkopf, John C Platt, John Shawe-Taylor, Alex J Smola 和 Robert C Williamson. Estimating the support of a high-dimensional distribution. Neural computation, 13(7):1443–1471, 2001 年。

[ASCSC03]

Mei-Ling Shyu, Shu-Ching Chen, Kanoksri Sarinnapakorn 和 LiWu Chang. A novel anomaly detection scheme based on principal component classifier. 技术报告, MIAMI UNIV CORAL GABLES FL DEPT OF ELECTRICAL AND COMPUTER ENGINEERING, 2003 年。

[ASB13]

Mahito Sugiyama 和 Karsten Borgwardt. Rapid distance-based outlier detection via sampling. Advances in neural information processing systems, 2013 年。

[ATCFC02] (1,2)

Jian Tang, Zhixiang Chen, Ada Wai-Chee Fu 和 David W Cheung. Enhancing effectiveness of outlier detections for low density patterns. 载于 Pacific-Asia Conference on Knowledge Discovery and Data Mining, 535–548 页。Springer, 2002 年。

[AXPWW23]

Hongzuo Xu, Guansong Pang, Yijie Wang 和 Yongjun Wang. Deep isolation forest for anomaly detection. IEEE Transactions on Knowledge and Data Engineering, ():1–14, 2023 年。 doi:10.1109/TKDE.2023.3270293。

[AYNL+24]

Tiankai Yang, Yi Nian, Shawn Li, Ruiyao Xu, Yuangang Li, Jiaqi Li, Zhuo Xiao, Xiyang Hu, Ryan Rossi, Kaize Ding, 和其他人. Ad-llm: benchmarking large language models for anomaly detection. arXiv preprint arXiv:2412.11142, 2024 年。

[AYRV17]

Chong You, Daniel P Robinson 和 René Vidal. Provable self-representation based outlier detection in a union of subspaces. 载于 Proceedings of the IEEE conference on computer vision and pattern recognition, 3395–3404 页。2017 年。

[AZRF+18]

Houssam Zenati, Manon Romain, Chuan-Sheng Foo, Bruno Lecouat 和 Vijay Chandrasekhar. Adversarially learned anomaly detection. 载于 2018 IEEE International conference on data mining (ICDM), 727–736 页。IEEE, 2018 年。

[AZH18] (1,2)

Yue Zhao 和 Maciej K Hryniewicki. Xgbod: improving supervised outlier detection with unsupervised representation learning. 载于 International Joint Conference on Neural Networks (IJCNN)。IEEE, 2018 年。

[AZHC+21] (1,2,3)

Yue Zhao, Xiyang Hu, Cheng Cheng, Cong Wang, Changlin Wan, Wen Wang, Jianing Yang, Haoping Bai, Zheng Li, Cao Xiao, Yunlong Wang, Zhi Qiao, Jimeng Sun 和 Leman Akoglu. Suod: accelerating large-scale unsupervised heterogeneous outlier detection. Proceedings of Machine Learning and Systems, 2021 年。

[AZNHL19] (1,2)

Yue Zhao, Zain Nasrullah, Maciej K Hryniewicki 和 Zheng Li. LSCP: locally selective combination in parallel outlier ensembles. 载于 Proceedings of the 2019 SIAM International Conference on Data Mining, SDM 2019, 585–593 页。加拿大卡尔加里, 2019 年 5 月。SIAM。URL: https://doi.org/10.1137/1.9781611975673.66, doi:10.1137/1.9781611975673.66。