一、簡(jiǎn)介

異常檢測(cè)一直是機(jī)器學(xué)習(xí)中一個(gè)非常重要的子分支，在各種人工智能落地應(yīng)用例如計(jì)算機(jī)視覺(jué)、數(shù)據(jù)挖掘、NLP中，異常檢測(cè)算法都是很熱門(mén)的研究方向，特別是大數(shù)據(jù)時(shí)代，人工處理數(shù)據(jù)的速度已經(jīng)遠(yuǎn)遠(yuǎn)趕不上機(jī)器了，所以更快地檢測(cè)數(shù)據(jù)中的異常情況成為了我們當(dāng)下非常重要的任務(wù)。在深度學(xué)習(xí)廣泛的推廣之前，傳統(tǒng)的異常檢測(cè)算法有很多，例如高斯擬合，半監(jiān)督學(xué)習(xí)等等，而在深度學(xué)習(xí)大火之后，人們也開(kāi)始研究將深度學(xué)習(xí)應(yīng)用于各種異常任務(wù)中(也就是Deep Anomaly Detection，以下統(tǒng)稱(chēng)DAD)，并取得了很大的成功，本文將把當(dāng)下該方向熱門(mén)的研究方向分類(lèi)并列舉了對(duì)應(yīng)的文章，希望能幫助大家更好地理解此方向的研究。

二、異常檢測(cè)的概念

異常檢測(cè)，從定義而言就是一種識(shí)別不正常情況與挖掘非邏輯數(shù)據(jù)的技術(shù)，也叫outliers。例如在計(jì)算機(jī)視覺(jué)的應(yīng)用中，有人在抖音發(fā)表一個(gè)視屏，在邊騎車(chē)邊打電話(huà)，那這就是個(gè)不符合規(guī)范的視屏，我們能否采用一些方式來(lái)將其檢測(cè)出來(lái)，再例如在數(shù)據(jù)挖掘領(lǐng)域中，那異常檢測(cè)的應(yīng)用就更廣泛了，比如信用卡盜刷，超大金額支出等等。通常情況下，在我們閱讀論文的過(guò)程中，異常檢測(cè)(Anomaly Detection)也被叫做，Novelty Detection，Outlier Detection，F(xiàn)orgery Detection，Out-of-distribution Detection。在閱讀論文的情況，這些名詞也有輕微的區(qū)別，以計(jì)算機(jī)視覺(jué)為例，如下圖所示。

在計(jì)算機(jī)視覺(jué)的基本任務(wù)——圖像分類(lèi)中，單分類(lèi)與多分類(lèi)問(wèn)題，將幾種概念的細(xì)微區(qū)別基本闡述清楚了。Anomaly Detection指在不屬于該分類(lèi)的數(shù)據(jù)集中，而Novelty是檢測(cè)可能屬于該分類(lèi)但卻沒(méi)見(jiàn)過(guò)(Unseen)也就是Novel的數(shù)據(jù)集，而OOD(out-of-distribution)則是多分類(lèi)中不同目標(biāo)的分布，這些任務(wù)在接下來(lái)的論文中，也經(jīng)常有人進(jìn)行相應(yīng)的研究。

三、異常檢測(cè)相關(guān)工作與方向

首先根據(jù)查閱異常檢測(cè)方向綜述的文章，我將基于深度學(xué)習(xí)的異常檢測(cè)應(yīng)用方向論文，按照主要的邏輯結(jié)構(gòu)列舉在了下面，我相信這可以更加方便地向你展示異常檢測(cè)方向你應(yīng)該怎樣去研究你的論文。

1. DAD研究的主要元素

(1) 異常數(shù)據(jù)集

點(diǎn)集

連續(xù)集

團(tuán)隊(duì)集

(2) 異常檢測(cè)模型

無(wú)監(jiān)督學(xué)習(xí)、AutoEncoder、GAN、矩陣因子分解

半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)

Hybrid(混種)、特征提取+傳統(tǒng)算法

單分類(lèi)神經(jīng)網(wǎng)絡(luò)

(3) 異常檢測(cè)應(yīng)用

詐騙檢測(cè)

網(wǎng)絡(luò)侵入檢測(cè)

醫(yī)學(xué)異常檢測(cè)

傳感器網(wǎng)絡(luò)異常檢測(cè)

視屏監(jiān)督

物聯(lián)網(wǎng)大數(shù)據(jù)異常檢測(cè)

日志異常檢測(cè)

工業(yè)危害檢測(cè)

2. 異常檢測(cè)論文分類(lèi)

下面也是我根據(jù)參考文獻(xiàn)，把異常檢測(cè)論文分成幾個(gè)當(dāng)前研究方向，相當(dāng)于列出了一個(gè)目錄在這里，可供之后方便查看，關(guān)于論文分類(lèi)的一些概念，我會(huì)在下面的介紹中詳細(xì)提及。

(1) 數(shù)據(jù)的連續(xù)性

(2) 數(shù)據(jù)標(biāo)簽的可用性

監(jiān)督學(xué)習(xí)Supervised Learning

半監(jiān)督學(xué)習(xí)Semi-supervised Learning

無(wú)監(jiān)督學(xué)習(xí)Unsupervised Learning

(3) 基于訓(xùn)練對(duì)象的模型

深度混種模型Deep Hybrid Model(DHM)

單分類(lèi)神經(jīng)網(wǎng)絡(luò)One-Class Neural Networks(OC-NN)

(4) 數(shù)據(jù)異常類(lèi)型

點(diǎn)集Point

連續(xù)集Contextual

團(tuán)隊(duì)集Collective or Group

(5) 異常檢測(cè)輸出類(lèi)型

異常分?jǐn)?shù)Anomaly Score

標(biāo)簽Lable

(6) 異常檢測(cè)應(yīng)用

有將近十種異常檢測(cè)相關(guān)的應(yīng)用，由于目前對(duì)該部分研究較淺，所以之后會(huì)考慮單獨(dú)寫(xiě)篇文章來(lái)總結(jié)異常檢測(cè)方面的應(yīng)用型論文。

四、原始數(shù)據(jù)的連續(xù)性Nature of Input Data

在DAD問(wèn)題中選擇怎樣的網(wǎng)絡(luò)結(jié)構(gòu)很大部分取自于原始數(shù)據(jù)(raw/input data)的類(lèi)型，原始數(shù)據(jù)在廣義上我們可以分為連續(xù)型(Sequential)與非連續(xù)型(Non-sequential)，如何選擇相應(yīng)的模型，我列舉在下表中。

DAD在未降維的高維原始數(shù)據(jù)中表現(xiàn)優(yōu)異，成功提取大規(guī)模數(shù)據(jù)的關(guān)系，通常情況下，網(wǎng)絡(luò)越深，提取效果越好，這個(gè)部分感興趣的話(huà)可以參考下面這篇文章。

Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. nature, 521(7553):436, 2015.

五、數(shù)據(jù)標(biāo)簽的可用性Availability of Labels

數(shù)據(jù)標(biāo)簽是非常重要的事情，標(biāo)簽代表著正常(normal)數(shù)據(jù)或是未見(jiàn)過(guò)(unseen/novel)的數(shù)據(jù)，對(duì)于標(biāo)簽內(nèi)容的使用同樣是現(xiàn)在異常檢測(cè)方向論文重點(diǎn)考慮的事情。異常檢測(cè)的模型也可以根據(jù)數(shù)據(jù)標(biāo)簽的內(nèi)容廣義的分為三類(lèi)，監(jiān)督，半監(jiān)督和無(wú)監(jiān)督。

1. 監(jiān)督Supervised DAD

基于監(jiān)督學(xué)習(xí)的DAD文章，整理了兩篇醫(yī)學(xué)方向的，由于監(jiān)督學(xué)習(xí)對(duì)于標(biāo)簽內(nèi)容的依賴(lài)度過(guò)重，所以他對(duì)于異常檢測(cè)的問(wèn)題并不是那么合適，所以它并不如半監(jiān)督和無(wú)監(jiān)督應(yīng)用地那么廣泛。

Raghavendra Chalapathy, Ehsan Zare Borzeshi, and Massimo Piccardi. An investigation of recurrent neural architectures for drug name recognition. arXiv preprint arXiv:1609.07585, 2016a.

Raghavendra Chalapathy, Ehsan Zare Borzeshi, and Massimo Piccardi. Bidirectional lstm-crf for clinical concept extraction. arXiv preprint arXiv:1611.08373, 2016b.

2. 半監(jiān)督Semi-supervised DAD

由于正常數(shù)據(jù)集比異常數(shù)據(jù)集更好獲得，所以半監(jiān)督學(xué)習(xí)DAD方法被非常廣泛的使用，擁有了足夠的數(shù)據(jù)集，我們能更好地標(biāo)出正常數(shù)據(jù)，異常數(shù)據(jù)，新數(shù)據(jù)的界限，半監(jiān)督學(xué)習(xí)模型列舉三篇論文。

Drausin Wulsin, Justin Blanco, Ram Mani, and Brian Litt. Semi-supervised anomaly detection for eeg waveforms using deep belief nets. In Machine Learning and Applications (ICMLA), 2010 Ninth International Conference on, pages 436–441. IEEE, 2010.

Mutahir Nadeem, Ochaun Marshall, Sarbjit Singh, Xing Fang, and Xiaohong Yuan. Semi-supervised deep neural network for network intrusion detection. 2016.

Hongchao Song, Zhuqing Jiang, Aidong Men, and Bo Yang. A hybrid semi-supervised anomaly detection model for high-dimensional data. Computational intelligence and neuroscience, 2017.

3. 無(wú)監(jiān)督Unsupervised DAD

傳統(tǒng)機(jī)器學(xué)習(xí)算法其實(shí)我感覺(jué)更傾向于直接從數(shù)據(jù)集中讓機(jī)器去學(xué)習(xí)一些東西，然后直接用參數(shù)的方式表示出來(lái)，異常檢測(cè)問(wèn)題同樣我們也用自動(dòng)標(biāo)簽的方式去檢測(cè)是否異常，因?yàn)橛袝r(shí)候可能數(shù)據(jù)難以獲取。自動(dòng)解碼器是無(wú)監(jiān)督DAD的核心，所以這里深度學(xué)習(xí)的一些神經(jīng)網(wǎng)絡(luò)大有可為，例如RNN，LSTM等等。我們這里只列舉了一種采用變種半監(jiān)督學(xué)習(xí)方法的論文，應(yīng)用于異常數(shù)據(jù)降維，表現(xiàn)效果超越很多傳統(tǒng)降維算法，如PCA，Isolation等等。

Aaron Tuor, Samuel Kaplan, Brian Hutchinson, Nicole Nichols, and Sean Robinson. Deep learning for unsupervised insider threat detection in structured cybersecurity data streams. arXiv preprint arXiv:1710.00811, 2017.

六、基于訓(xùn)練對(duì)象的模型

按照訓(xùn)練對(duì)象的區(qū)別，我們把訓(xùn)練模型單獨(dú)劃分為兩類(lèi)，變種模型與單分類(lèi)神經(jīng)網(wǎng)絡(luò)。

1. 深度變種模型Deep Hybrid Models(DHM)

Jerone TA Andrews, Edward J Morton, and Lewis D Griffin. Detecting anomalous data using auto-encoders. International Journal of Machine Learning and Computing, 6(1):21, 2016a.

Tolga Ergen, Ali Hassan Mirza, and Suleyman Serdar Kozat. Unsupervised and semi-supervised anomaly detection with lstm neural networks. arXiv preprint arXiv:1710.09207, 2017.

2. 單分類(lèi)神經(jīng)網(wǎng)絡(luò)One-Class Neural Networks(OC-NN)

Raghavendra Chalapathy, Aditya Krishna Menon, and Sanjay Chawla. Anomaly detection using one-class neural networks. arXiv preprint arXiv:1802.06360, 2018a.

七、數(shù)據(jù)異常類(lèi)型

1. 點(diǎn)集Point

舉信用卡盜刷的例子，點(diǎn)集異常就是指單筆交易大金額支出，比如你都花1塊2塊的錢(qián)，突然有一天消費(fèi)了1k，那可能就出現(xiàn)了異常情況，但這個(gè)方向好像沒(méi)有人單獨(dú)發(fā)過(guò)文章。

2. 連續(xù)集Contextual or Conditional

連續(xù)集就是指上下文相關(guān)的連續(xù)數(shù)據(jù)，某一個(gè)中間數(shù)據(jù)出現(xiàn)了異常情況，可能引起了梯度消失爆炸等等問(wèn)題。

Xiuyao Song, Mingxi Wu, Christopher Jermaine, and Sanjay Ranka. Conditional anomaly detection. IEEE Transactions on Knowledge and Data Engineering, 19(5):631–645, 2007.

3. 團(tuán)隊(duì)集Collective or Group

還是信用卡盜刷的例子，如果某天你的信用卡突然短時(shí)間內(nèi)不停地消費(fèi)50元，那機(jī)器可能會(huì)發(fā)現(xiàn)，這些團(tuán)隊(duì)數(shù)據(jù)集的消費(fèi)出現(xiàn)了異常，這種情況我們也在其他場(chǎng)合經(jīng)常遇到。

Raghavendra Chalapathy, Edward Toth, and Sanjay Chawla. Group anomaly detection using deep generative models. arXiv preprint arXiv:1804.04876, 2018b.

Lo¨?c Bontemps, James McDermott, Nhien-An Le-Khac, et al. Collective anomaly detection based on long short-term memory recurrent neural networks. In International Conference on Future Data and Security Engineering, pages 141–152. Springer, 2016.

Daniel B Araya, Katarina Grolinger, Hany F ElYamany, Miriam AM Capretz, and G Bitsuamlak. Collective contextual anomaly detection framework for smart buildings. In Neural Networks (IJCNN), 2016 International Joint Conference on, pages 511–518. IEEE, 2016.

Naifan Zhuang, Tuoerhongjiang Yusufu, Jun Ye, and Kien A Hua. Group activity recognition with differential recurrent convolutional neural networks. In Automatic Face & Gesture Recognition (FG 2017), 2017 12th IEEE International Conference on, pages 526–531. IEEE, 2017.

八、idea新穎的論文

這里我再給大家推薦8篇idea比較新穎的論文，可供大家閱讀與交流。

[1] Liu W, Luo W, Lian D, et al. Future frame prediction for anomaly detection–a new baseline[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 6536-6545.

[2] Gong D, Liu L, Le V, et al. Memorizing normality to detect anomaly: Memory-augmented deep autoencoder for unsupervised anomaly detection[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 1705-1714.

[3] Park H, Noh J, Ham B. Learning Memory-guided Normality for Anomaly Detection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 14372-14381.

[4] Zhao Y, Deng B, Shen C, et al. Spatio-temporal autoencoder for video anomaly detection[C]//Proceedings of the 25th ACM international conference on Multimedia. 2017: 1933-1941.

[5] Ionescu R T, Khan F S, Georgescu M I, et al. Object-centric auto-encoders and dummy anomalies for abnormal event detection in video[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 7842-7851.

[6] Liu W, Luo W, Li Z, et al. Margin Learning Embedded Prediction for Video Anomaly Detection with A Few Anomalies[C]//IJCAI. 2019: 3023-3030.

[7] Sultani W, Chen C, Shah M. Real-world anomaly detection in surveillance videos[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 6479-6488.

[8] Luo W, Liu W, Gao S. A revisit of sparse coding based anomaly detection in stacked rnn framework[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 341-349.

九、最后總結(jié)

最后給大家推薦一個(gè)超級(jí)nice的github倉(cāng)庫(kù)，里面的文章都比較新，并且也進(jìn)行了一些分類(lèi)。

https://github.com/hoya012/awesome-anomaly-detection

文章轉(zhuǎn)自“極市平臺(tái)”

責(zé)任編輯：PSY

原文標(biāo)題：異常檢測(cè)（Anomaly Detection）綜述

文章出處：【微信公眾號(hào)：中科院長(zhǎng)春光機(jī)所】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。