现代异常检测技术综述

"A Survey of Outlier Detection Methodologies" 是一篇关于异常检测算法的综述文章，主要探讨了在计算机科学和统计学领域中用于识别和处理异常值的各种系统化技术。 异常检测是数据分析中的关键环节，其历史可以追溯到几个世纪前，目的是发现并（必要时）移除数据中的异常观测值。这些异常值可能源于机械故障、系统行为变化、欺诈行为、人为错误、仪器误差或自然群体的随机波动。异常检测有助于在问题升级并可能导致灾难性后果之前识别系统故障和欺诈，同时能识别并去除对数据集的污染，从而净化数据以供进一步处理。 早期的异常检测方法较为随意，但随着研究的发展，现在采用的是基于原则和系统性的方法。这篇论文概述了当代的异常检测技术，分析了它们的动机，并通过比较审查来区分它们的优缺点。 文章中提到了一些关键概念，如使用逻辑符号和数学公式来描述异常检测的原理。它还提到了WhiteRoseConsortium ePrints Repository上发布的这个作者版本的论文，该论文已经过同行评审，但不包括最终的出版商校对或期刊排版。原始论文可在Artificial Intelligence Review期刊的第22卷第2期找到，作者为Hodge, V.J. 和 Austin, J.。 在异常检测领域，常见的方法包括基于统计的方法（如Z-score、IQR）、机器学习方法（如聚类、支持向量机）、邻域方法（如LOF - 局部离群因子）以及深度学习方法等。每种方法都有其适用场景，例如，基于统计的方法适用于数据分布可假设的情况，而机器学习方法则适用于模式复杂且需要学习数据内在结构的情况。 这篇综述文章深入浅出地介绍了各种异常检测技术，对于理解这些方法的运作机制及其在不同情况下的应用具有重要价值。无论是数据科学家、机器学习工程师还是统计分析师，都能从中获取宝贵的信息，以优化他们的异常检测策略。