异常检测综述

被引：44

作者：

陈斌 ^{[1
,2
]}

陈松灿 ^{[1
]}

潘志松 ^{[3
]}

李斌 ^{[2
]}

机构：

[1] 南京航空航天大学信息科学与技术学院

[2] 扬州大学信息工程学院

[3] 解放军理工大学指挥自动化学院

来源：

山东大学学报(工学版) | 2009年 / 39卷 / 06期

关键词：

异常检测; 统计; 监督学习; 无监督学习;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TP274 [数据处理、数据处理系统];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0804 ; 080401 ; 080402 ; 081002 ;

摘要：

异常检测旨在检测出不符合期望行为的数据,因而适合应用于故障诊断、入侵和欺诈检测以及数据预处理等多个领域.针对目前众多的专用和通用异常检测方法,本文侧重对基于统计的主流异常检测方法进行了回顾,力图提供一个新的结构化的异常检测方法的认识框架,并依据其监督和无监督学习算法的原理进行了简单分类,特别对部分异常检测方法间的等价性进行了深入探讨.

引用

页码：13 / 23

页数：11

共 53 条

[1] 基于单簇聚类的数据描述 [J].

陈斌 ;

冯爱民 ;

陈松灿 ;

李斌 .

计算机学报, 2007, (08) :1325-1332

[2] 主曲线研究综述 [J].

张军平 ;

王珏 .

计算机学报, 2003, (02) :129-146

[3]

数据挖掘中的新方法[M]. 科学出版社 , 邓乃扬,田英杰著, 2004

[4]

模式识别[M]. 清华大学出版社 , 边肇祺等编著, 2000

[5]

Anomaly detection[J] . Varun Chandola,Arindam Banerjee,Vipin Kumar. &nbspACM Computing Surveys (CSUR) . 2009 (3)

[6] Support vector data description [J].

Tax, DMJ ;

Duin, RPW .

MACHINE LEARNING, 2004, 54 (01) :45-66

[7]

A Survey of Outlier Detection Methodologies[J] . Victoria J. Hodge,Jim Austin. &nbspArtificial Intelligence Review . 2004 (2)

[8] Estimating the support of a high-dimensional distribution [J].

Schölkopf, B ;

Platt, JC ;

Shawe-Taylor, J ;

Smola, AJ ;

Williamson, RC .

NEURAL COMPUTATION, 2001, 13 (07) :1443-1471

[9]

Two-phase clustering process for outliers detection[J] . M.F Jiang,S.S Tseng,C.M Su. &nbspPattern Recognition Letters . 2001 (6)

[10] k-plane clustering [J].

Bradley, PS ;

Mangasarian, OL .

JOURNAL OF GLOBAL OPTIMIZATION, 2000, 16 (01) :23-32

← 1 2 3 4 5 6 →