Anomaly detection (original) (raw)
이상 탐지(anomaly detection)는 일반적인 값과 다른 (outlier)나 드문 사건을 탐지하는 기법이다. 침입, 사기, 결함, 건강 이상, 범죄 등 다양한 것을 탐지할 수 있으므로 사이버 보안, 의학, 통계, 신경 과학, 법 집행, 금융 사기를 포함한 많은 영역에서 응용할 수 있다. 예를 들어 평균이나 표준 편차를 계산하는 등의 통계 분석을 할 때, 이를 돕기 위해 처음에는 데이터에서 명확한 누락이 있는지 이상 항목을 탐지하는 데에 응용되었다.
| Property | Value |
|---|---|
| dbo:abstract | Detekce anomálií je v data miningu úloha určení těch položek (příkladů, bodů), událostí nebo pozorování, které neodpovídají očekávanému vzoru nebo jiným požadavkům v datasetu. Typicky se anomální položky transformují na nějaký druh problémů, jako např. , strukturální defekt, zdravotní problém nebo nalezení chyby v textu. Anomálie jsou taky nazývány (outliery), novinky, šum, odchylky nebo výjimky. Speciálně v oblasti správy síti a detekce průniku jsou zajímavé objekty nikoli zřídkavé objekty, ale neočekávané výtrysky (en: burst) aktivity. Takovýto vzor nevyhovuje obvyklé definici outlieru jako zřídkavému objektu (anebo vzdálenému od jiných) a mnoho metod detekce outlierů (zvláště nesupervizované metody) selže při jejich detekci, pokud nejsou vhodně agregovány. Kdežto taky nesupervizované mohou být schopny detekovat mikroklastry vytvořené těmito vzory. (cs) Ανίχνευση ανωμαλιών καλείται η αναγνώριση προτύπων από ένα σύνολο δεδομένων που εμφανίζουν διαφορετική συμπεριφορά από την προσδοκώμενη. Άλλες ονομασίες που συναντούνται στην βιβλιογραφία για τα πρότυπα είναι ακραίες τιμές, ασύμφωνες παρατηρήσεις, εξαιρέσεις, παρεκκλίσεις, ιδιαιτερότητες και προσμίξεις σε διαφορετικούς τομείς εφαρμογών. Στόχος είναι η υψηλού επιπέδου ανίχνευση πιθανών ανωμαλιών, διατηρώντας όμως χαμηλά ποσοστά λανθασμένης προειδοποίησης. Ως εφαρμογή μπορούμε να αναφέρουμε τον προσδιορισμό απειλής στην έγκριση δανείων ή πιστωτικών καρτών από μια τράπεζα. Υπάρχουν τρεις κατηγορίες τεχνικών ανίχνευσης ανωμαλιών. Η επιβλεπόµενη ανίχνευση ανωμαλιών, όπου οι τεχνικές που έχουν εφαρμοστεί σε αυτήν την κατηγορία, λαμβάνουν την διαθεσιμότητα τόσο ενός συνόλου δεδομένων εκπαίδευσης που έχει χαρακτηριστεί ως κανονικό όσο και ενός χαρακτηρισμένου ως ακραίων τιμών. Σε τέτοιες περιπτώσεις, συνήθως, εφαρμόζονται μοντέλα πρόβλεψης για κανονικές έναντι ανώμαλων τάξεων. Η ημι-επιβλεπόµενη ανίχνευση ανωμαλιών, όπου οι τεχνικές σε αυτή την περίπτωση θεωρούν ότι ένα σύνολο δεδομένων εκπαίδευσης έχει χαρακτηριστεί μόνο κανονικό. Το θετικό αυτής της κατηγορίας είναι ότι εφαρμόζεται σε μεγαλύτερη κλίμακα από την προηγούμενη, για το λόγο ότι δεν απαιτείται επισήμανση για την τάξη ακραίων τιμών. Η συνήθης προσέγγιση σε αυτή την κατηγορία είναι η κατασκευή ενός μοντέλου για το σύνολο ώστε να ανταποκρίνεται στην κανονική συμπεριφορά, και ύστερα η εφαρμογή του για τον προσδιορισμό των ανωμαλιών στα δοκιμαστικά δεδομένα. Τέλος, η μη-επιβλεπόµενη ανίχνευση ανωμαλιών, όπου δεν απαιτούνται δεδομένα εκπαίδευσης, και έτσι είναι οι πιο ευρέως εφαρμόσιμες τεχνικές. Οι τεχνικές σε αυτή τη περίπτωση υποθέτουν ότι τα κανονικά στιγμιότυπα είναι περισσότερα από τις ακραίες τιμές στα δοκιμαστικά δεδομένα. Αν αυτός ο συλλογισμός δεν ισχύει, τότε οι τεχνικές έχουν μεγάλο ποσοστό λανθασμένης εκτίμησης. (el) In data analysis, anomaly detection (also referred to as outlier detection and sometimes as novelty detection) is generally understood to be the identification of rare items, events or observations which deviate significantly from the majority of the data and do not conform to a well defined notion of normal behaviour. Such examples may arouse suspicions of being generated by a different mechanism, or appear inconsistent with the remainder of that set of data. Anomaly detection finds application in many domains including cyber security, medicine, machine vision, statistics, neuroscience, law enforcement and financial fraud to name only a few. Anomalies were initially searched for clear rejection or omission from the data to aid statistical analysis, for example to compute the mean or standard deviation. They were also removed to better predictions from models such as linear regression, and more recently their removal aids the performance of machine learning algorithms. However, in many applications anomalies themselves are of interest and are the observations most desirous in the entire data set, which need to be identified and separated from noise or irrelevant outliers. Three broad categories of anomaly detection techniques exist. Supervised anomaly detection techniques require a data set that has been labeled as "normal" and "abnormal" and involves training a classifier. However, this approach is rarely used in anomaly detection due to the general unavailability of labelled data and the inherent unbalanced nature of the classes. Semi-supervised anomaly detection techniques assume that some portion of the data is labelled. This may be any combination of the normal or anomalous data, but more often than not the techniques construct a model representing normal behavior from a given normal training data set, and then test the likelihood of a test instance to be generated by the model. Unsupervised anomaly detection techniques assume the data is unlabelled and are by far the most commonly used due to their wider and relevant application. (en) Dans l'exploration de données, la détection d'anomalies (en anglais, anomaly detection ou outlier detection) est l'identification d'éléments, d'événements ou d'observations rares qui soulèvent des suspicions en différant de manière significative de la majorité des autres données. Généralement, les anomalies indiquent un problème tel qu'une fraude bancaire, un défaut structurel, un problème médical ou une erreur dans un texte. Les anomalies sont également appelées des valeurs aberrantes, du bruit, des écarts ou des exceptions. Dans le contexte de détection d'intrusions sur un réseau informatique, les objets intéressants ne sont souvent pas des objets rares, mais des pics d'activités inattendus. Ce modèle n'adhère pas à la définition d'une anomalie en tant qu'objet rare et de nombreuses méthodes de détection d'anomalies (en particulier, des méthodes non supervisées) échouent à identifier ces anomalies, à moins que les anomalies aient été agrégées de manière appropriée. Dans de telles situations, un algorithme d'analyse par partitionnement de données peut être capable de détecter ces problèmes. Il existe trois grandes catégories de techniques de détection d'anomalies : * les techniques de détection d'anomalies non supervisées détectent les anomalies dans un ensemble de données non étiquetées en supposant que la majorité des instances de l'ensemble de données sont normales et en recherchant les instances qui ne correspondent pas au reste des données ; * les techniques de détection d'anomalies supervisées nécessitent un ensemble de données où les données sont étiquetées normales ou anormales et impliquent l'entrainement d'un classificateur (la principale différence par rapport à de nombreux autres problèmes de classification statistique réside dans la nature déséquilibrée de la détection des valeurs aberrantes) ; * les techniques de détection d'anomalies semi-supervisées construisent un modèle représentant le comportement normal d'un ensemble de données normales, puis testent la probabilité qu'une instance de test soit compatible avec le modèle. (fr) 異常検知（いじょうけんち、英: anomaly detection）や外れ値検知（はずれちけんち、英: outlier detection）とは、データマイニングにおいて、期待されるパターンまたはデータセット中の他のアイテムと一致しないアイテムやイベントや観測結果を識別すること。何が異常であるかを定義するのは、タスク次第ではあるものの、Varun Chandolaらは異常というのは通常の動作として明確に定義された概念に準拠しないデータパターンである定義している。各タスクに適用すると通常、異常とは、クレジットカード不正利用、構造欠陥、医学的な問題、文書中の誤り検出、不審な行動検出、機械の故障検知などの問題に翻訳する。なお、異常（anomaly）は、外れ値（outlier）、珍しい物（novelty）、雑音（noise）、変動（deviation）、例外（exception）などとも呼ばれる。 特に悪用やネットワーク侵入検知の状況では、興味深いオブジェクトは多くの場合レアなオブジェクトではなく、活動中の予期されないバーストである。このパターンはレアオブジェクトとして外れ値の一般的な統計的定義に従わず、適切に集計されない限り、多くの外れ値検知法（特に教師なし手法）はそのようなデータで失敗する。代わりに、クラスタ分析アルゴリズムはそのようなパターンで形成されたマイクロクラスタを見つけることが可能である。 異常検知技術には大きく分けて3通りの分類がある。教師なし異常検知（unsupervised anomaly detection）手法は、データセット内のインスタンスの大多数は正常であるという仮定の下でデータセットの残りにほとんどフィットしないと思われるインスタンスを探すことによって、ラベル付されていないテストデータセットにある異常を見つける。教師あり異常検知（supervised anomaly detection）手法は「正常」と「異常」にラベル付されたデータセットを必要とし、分類器を訓練することを含む（他の多くの統計分類問題との決定的な違いは固有の外れ値検出の不均衡な性質である）。半教師あり異常検知（semi-supervised anomaly detection）手法は与えられた正常な訓練データセットから正常な振る舞いを表すモデルを構成し、そして学習したモデルによって生成されるテストインスタンスの尤度をテストする。 (ja) 이상 탐지(anomaly detection)는 일반적인 값과 다른 (outlier)나 드문 사건을 탐지하는 기법이다. 침입, 사기, 결함, 건강 이상, 범죄 등 다양한 것을 탐지할 수 있으므로 사이버 보안, 의학, 통계, 신경 과학, 법 집행, 금융 사기를 포함한 많은 영역에서 응용할 수 있다. 예를 들어 평균이나 표준 편차를 계산하는 등의 통계 분석을 할 때, 이를 돕기 위해 처음에는 데이터에서 명확한 누락이 있는지 이상 항목을 탐지하는 데에 응용되었다. (ko) Nell'analisi dei dati, il rilevamento delle anomalie (anche detto rilevamento degli outlier) è l'identificazione di osservazioni, elementi, eventi rari che differiscono in modo significativo dalla maggior parte dei dati. Tipicamente gli elementi anomali porteranno a qualche tipo di problema, ad esempio casi di frode bancaria, difetti strutturali, problemi medici o errori in un testo. Le anomalie sono indicate anche come outlier, novelty, rumore, deviazioni o eccezioni. In particolare, nel contesto del rilevamento di abusi e intrusioni di rete, gli elementi anomali spesso non sono elementi che occorrono raramente, ma piuttosto picchi di attività inaspettati. Questo pattern non corrisponde alla definizione statistica comune di un valore anomalo come oggetto raro e molti metodi di rilevamento dei valori anomali (in particolare metodi non supervisionati) falliranno su tali dati, a meno che non siano stati aggregati in modo appropriato. Invece, un algoritmo di analisi dei cluster potrebbe essere in grado di rilevare i micro cluster formati da questi pattern. Esistono tre grandi categorie di tecniche di rilevamento delle anomalie, a seconda di quanto supervisionato l'algoritmo. Le tecniche non supervisionate rilevano le anomalie in un dataset di prova non etichettato partendo dal presupposto che la maggior parte delle istanze nel dataset siano normali e cercando le istanze che sembrano adattarsi meno al resto dei dati. Le tecniche supervisionate, invece, richiedono dataset etichettati come "normale" e "anormale" e comportano l'addestramento di un classificatore (la differenza fondamentale rispetto a molti altri problemi di classificazione statistica è la natura intrinseca sbilanciata del rilevamento dei valori anomali). Infine, le tecniche di rilevamento semi-supervisionate, a partire da un determinato dataset, costruiscono un modello che rappresenta il comportamento "normale", e quindi, data un'istanza di test, verificano la probabilità che questa venga generata dal modello costruito. (it) Выявление аномалий (также обнаружение выбросов) — это опознавание во время интеллектуального анализа данных редких данных, событий или наблюдений, которые вызывают подозрения ввиду существенного отличия от большей части данных. Обычно аномальные данные характеризуют некоторый вид проблемы, такой как , структурный дефект, медицинские проблемы или ошибки в тексте. Аномалии также упоминаются как выбросы, необычности, шум, отклонения или исключения. (ru) Em mineração de dados, a detecção de anomalias (também detecção de outliers ) é a identificação de itens, eventos ou observações raros que levantam suspeitas por serem significativamente diferentes da maioria dos dados. Normalmente, os itens anômalos se referem a algum tipo de problema, como , defeito estrutural, problemas médicos ou erros em um texto. Anomalias são também referidas como outliers, ruído, desvios e exceções. Em particular, no contexto de detecção de intrusos em uma rede, os objetos de interesse geralmente não são os objetos raros, mas surtos inesperados de atividade. Esse padrão não atende à definição estatística comum de um outlier como um objeto raro, e muitos métodos de detecção de outliers (em particular métodos não supervisionados) falharão nesses dados, a menos que tenham sido tratados adequadamente. Em vez disso, um algoritmo de análise de cluster pode ser capaz de detectar os micro clusters formados por esses padrões. Existem três categorias amplas de técnicas de detecção de anomalias. As técnicas de detecção de anomalia não supervisionada detectam anomalias em um conjunto de dados de teste não rotulados com a suposição de que a maioria das instâncias no conjunto de dados é normal, procurando instâncias que pareçam se encaixar menos no restante do conjunto de dados. As técnicas de detecção de anomalia supervisionada exigem um conjunto de dados rotulado como "normal" e "anormal" e envolve o treinamento de um classificador (a principal diferença em muitos outros problemas de classificação estatística é a natureza desbalanceada inerente da detecção de outliers). As técnicas de detecção de anomalia semi-supervisionadas constroem um modelo representando o comportamento normal de um determinado conjunto de dados de treinamento normal e, em seguida, testam a probabilidade de uma instância de teste ser gerada pelo modelo aprendido. (pt) 在数据挖掘中，异常检测（英語：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、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。 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建立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。 (zh) В аналізі даних, ви́явленням анома́лій (або ви́явленням ви́кидів) називається знаходження та ідентифікація елементів, подій або спостережень, що не відповідають очікуваній поведінці (патернам) або іншим елементам набору даних. Інколи аномальні елементи можуть стати причиною багатьох проблем, наприклад: , медичні проблеми, проблеми пошуку помилок у тексті тощо. Аномалії також називають викидами, нововведеннями, шумами, відхиленнями та винятковими ситуаціями. Зокрема, в контексті виявлення зловживань або вторгнень до мережі, цікавими об'єктами часто є не рідкісні об'єкти, а несподівані сплески активності. Ця модель (патерн) не дотримується загального статистичного визначення викиду як рідкісного об'єкту, і багато методів виявлення викидів (зокрема методи із навчанням без вчителя) не працюватимуть на цих даних, якщо їх не буде відповідно агреговано. Натомість алгоритми кластерного аналізу будуть здатні виявити мікрокластери, утворені цими патернами. Існують три основні категорії методів виявлення аномалій. Методи ви́явлення анома́лій без на́гляду (неконтрольовані алгоритми) визначають аномалії на непозначеному наборі даних, виходячи з припущення, що більшість зразків у цьому набору є нормальними, і шукаючи зразки, що виглядають якнайменше відповідними решті набору даних. Методи контрольо́ваного ви́явлення анома́лій вимагають набору даних, що позначено як «нормальні» або «аномальні», та включають навчання класифікатора (ключовою відмінністю від інших задач класифікації є притаманно незбалансований характер виявлення викидів). Методи напі́в-контрольо́ваного ви́явлення анома́лій створюють модель, що представляє нормальну поведінку, виходячи із заданого нормального навчального набору даних, і потім перевіряють правдоподібність того, що тестовий екземпляр було породжено вивченою моделлю.[джерело?] (uk) |
| dbo:wikiPageExternalLink | http://lapad-web.icmc.usp.br/repositories/outlier-evaluation/ http://odds.cs.stonybrook.edu/ http://www.dbs.ifi.lmu.de/research/outlier-evaluation/ https://researchdata.edu.au/kmash-repository-outlier-detection/1733742/ https://dataverse.harvard.edu/dataset.xhtml%3FpersistentId=doi:10.7910/DVN/OPQMVF |
| dbo:wikiPageID | 8190902 (xsd:integer) |
| dbo:wikiPageLength | 22755 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1119572689 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Scikit-learn dbr:Ensemble_learning dbr:Neural_network dbr:Normal_behavior dbr:Bayesian_network dbc:Statistical_outliers dbr:University_of_São_Paulo dbr:Novelty_detection dbr:Local_outlier_factor dbr:Standard_score dbr:Cluster_analysis dbr:Machine_vision dbc:Machine_learning dbr:Tukey's_range_test dbr:Data_analysis dbr:Data_pre-processing dbc:Data_security dbr:ELKI dbr:Isolation_forest dbr:Hierarchical_temporal_memory dbc:Data_mining dbr:K-nearest_neighbor_algorithm dbr:Support_vector_machines dbr:Hidden_Markov_model dbr:Misuse_detection dbr:Dorothy_E._Denning dbr:Association_rule_learning dbr:Autoencoder dbr:Grubbs's_test dbr:Ludwig-Maximilians-Universität_München dbr:Change_detection dbr:Wolfram_Mathematica dbr:Long_short-term_memory dbr:Statistical_process_control dbr:Soft_computing dbr:Random_subspace_method dbr:Supervised_learning dbr:Intrusion_detection dbr:Intrusion_detection_systems dbr:Fraud_detection dbr:Minimum_Covariance_Determinant |
| dbp:wikiPageUsesTemplate | dbt:Authority_control dbt:Reflist dbt:Short_description dbt:Broader dbt:Machine_learning dbt:Information_security |
| dct:subject | dbc:Statistical_outliers dbc:Machine_learning dbc:Data_security dbc:Data_mining |
| gold:hypernym | dbr:Identification |
| rdf:type | owl:Thing yago:WikicatStatisticalOutliers yago:CausalAgent100007347 yago:Inhabitant109620078 yago:LivingThing100004258 yago:Object100002684 yago:Organism100004475 yago:Outlier110387836 yago:Person100007846 yago:PhysicalEntity100001930 yago:YagoLegalActor yago:YagoLegalActorGeo dbo:Organisation yago:Resident110523519 yago:Whole100003553 |
| rdfs:comment | 이상 탐지(anomaly detection)는 일반적인 값과 다른 (outlier)나 드문 사건을 탐지하는 기법이다. 침입, 사기, 결함, 건강 이상, 범죄 등 다양한 것을 탐지할 수 있으므로 사이버 보안, 의학, 통계, 신경 과학, 법 집행, 금융 사기를 포함한 많은 영역에서 응용할 수 있다. 예를 들어 평균이나 표준 편차를 계산하는 등의 통계 분석을 할 때, 이를 돕기 위해 처음에는 데이터에서 명확한 누락이 있는지 이상 항목을 탐지하는 데에 응용되었다. (ko) Выявление аномалий (также обнаружение выбросов) — это опознавание во время интеллектуального анализа данных редких данных, событий или наблюдений, которые вызывают подозрения ввиду существенного отличия от большей части данных. Обычно аномальные данные характеризуют некоторый вид проблемы, такой как , структурный дефект, медицинские проблемы или ошибки в тексте. Аномалии также упоминаются как выбросы, необычности, шум, отклонения или исключения. (ru) 在数据挖掘中，异常检测（英語：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、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。 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建立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。 (zh) Detekce anomálií je v data miningu úloha určení těch položek (příkladů, bodů), událostí nebo pozorování, které neodpovídají očekávanému vzoru nebo jiným požadavkům v datasetu. Typicky se anomální položky transformují na nějaký druh problémů, jako např. , strukturální defekt, zdravotní problém nebo nalezení chyby v textu. Anomálie jsou taky nazývány (outliery), novinky, šum, odchylky nebo výjimky. (cs) Ανίχνευση ανωμαλιών καλείται η αναγνώριση προτύπων από ένα σύνολο δεδομένων που εμφανίζουν διαφορετική συμπεριφορά από την προσδοκώμενη. Άλλες ονομασίες που συναντούνται στην βιβλιογραφία για τα πρότυπα είναι ακραίες τιμές, ασύμφωνες παρατηρήσεις, εξαιρέσεις, παρεκκλίσεις, ιδιαιτερότητες και προσμίξεις σε διαφορετικούς τομείς εφαρμογών. Στόχος είναι η υψηλού επιπέδου ανίχνευση πιθανών ανωμαλιών, διατηρώντας όμως χαμηλά ποσοστά λανθασμένης προειδοποίησης. Ως εφαρμογή μπορούμε να αναφέρουμε τον προσδιορισμό απειλής στην έγκριση δανείων ή πιστωτικών καρτών από μια τράπεζα. (el) In data analysis, anomaly detection (also referred to as outlier detection and sometimes as novelty detection) is generally understood to be the identification of rare items, events or observations which deviate significantly from the majority of the data and do not conform to a well defined notion of normal behaviour. Such examples may arouse suspicions of being generated by a different mechanism, or appear inconsistent with the remainder of that set of data. (en) Dans l'exploration de données, la détection d'anomalies (en anglais, anomaly detection ou outlier detection) est l'identification d'éléments, d'événements ou d'observations rares qui soulèvent des suspicions en différant de manière significative de la majorité des autres données. Généralement, les anomalies indiquent un problème tel qu'une fraude bancaire, un défaut structurel, un problème médical ou une erreur dans un texte. Les anomalies sont également appelées des valeurs aberrantes, du bruit, des écarts ou des exceptions. (fr) Nell'analisi dei dati, il rilevamento delle anomalie (anche detto rilevamento degli outlier) è l'identificazione di osservazioni, elementi, eventi rari che differiscono in modo significativo dalla maggior parte dei dati. Tipicamente gli elementi anomali porteranno a qualche tipo di problema, ad esempio casi di frode bancaria, difetti strutturali, problemi medici o errori in un testo. Le anomalie sono indicate anche come outlier, novelty, rumore, deviazioni o eccezioni. (it) 異常検知（いじょうけんち、英: anomaly detection）や外れ値検知（はずれちけんち、英: outlier detection）とは、データマイニングにおいて、期待されるパターンまたはデータセット中の他のアイテムと一致しないアイテムやイベントや観測結果を識別すること。何が異常であるかを定義するのは、タスク次第ではあるものの、Varun Chandolaらは異常というのは通常の動作として明確に定義された概念に準拠しないデータパターンである定義している。各タスクに適用すると通常、異常とは、クレジットカード不正利用、構造欠陥、医学的な問題、文書中の誤り検出、不審な行動検出、機械の故障検知などの問題に翻訳する。なお、異常（anomaly）は、外れ値（outlier）、珍しい物（novelty）、雑音（noise）、変動（deviation）、例外（exception）などとも呼ばれる。 (ja) Em mineração de dados, a detecção de anomalias (também detecção de outliers ) é a identificação de itens, eventos ou observações raros que levantam suspeitas por serem significativamente diferentes da maioria dos dados. Normalmente, os itens anômalos se referem a algum tipo de problema, como , defeito estrutural, problemas médicos ou erros em um texto. Anomalias são também referidas como outliers, ruído, desvios e exceções. (pt) В аналізі даних, ви́явленням анома́лій (або ви́явленням ви́кидів) називається знаходження та ідентифікація елементів, подій або спостережень, що не відповідають очікуваній поведінці (патернам) або іншим елементам набору даних. Інколи аномальні елементи можуть стати причиною багатьох проблем, наприклад: , медичні проблеми, проблеми пошуку помилок у тексті тощо. Аномалії також називають викидами, нововведеннями, шумами, відхиленнями та винятковими ситуаціями. (uk) |
| rdfs:label | Detekce anomálií (cs) Ανίχνευση ανωμαλιών (el) Anomaly detection (en) Détection d'anomalies (fr) Rilevamento delle anomalie (it) 異常検知 (ja) 이상 탐지 (ko) Detecção de anomalias (pt) Выявление аномалий (ru) 异常检测 (zh) Виявлення аномалій (uk) |
| owl:sameAs | freebase:Anomaly detection yago-res:Anomaly detection wikidata:Anomaly detection dbpedia-bg:Anomaly detection dbpedia-cs:Anomaly detection dbpedia-el:Anomaly detection dbpedia-fa:Anomaly detection dbpedia-fr:Anomaly detection dbpedia-he:Anomaly detection dbpedia-it:Anomaly detection dbpedia-ja:Anomaly detection dbpedia-ko:Anomaly detection dbpedia-pt:Anomaly detection dbpedia-ru:Anomaly detection dbpedia-tr:Anomaly detection dbpedia-uk:Anomaly detection dbpedia-zh:Anomaly detection https://global.dbpedia.org/id/3HPkW |
| prov:wasDerivedFrom | wikipedia-en:Anomaly_detection?oldid=1119572689&ns=0 |
| foaf:isPrimaryTopicOf | wikipedia-en:Anomaly_detection |
| is dbo:academicDiscipline of | dbr:Arthur_Zimek |
| is dbo:wikiPageDisambiguates of | dbr:Anomaly |
| is dbo:wikiPageRedirects of | dbr:Unsupervised_anomaly_detection dbr:Applications_of_anomaly_detection dbr:Supervised_anomaly_detection dbr:Deviation_detection dbr:Novelty_detector dbr:Novelty_detectors dbr:Exception_detection dbr:Outlier_detection |
| is dbo:wikiPageWikiLink of | dbr:Scikit-multiflow dbr:Ensemble_learning dbr:List_of_datasets_for_machine-learning_research dbr:Normalized_compression_distance dbr:Time_series dbr:Deterministic_noise dbr:Andrei_Knyazev_(mathematician) dbr:Anthony_TS_Ho dbr:Jubatus dbr:Curse_of_dimensionality dbr:Unsupervised_anomaly_detection dbr:Influential_observation dbr:Information_fuzzy_networks dbr:Internet_of_Military_Things dbr:Intrusion_detection_system dbr:Novelty_detection dbr:Anomaly dbr:Oracle_Data_Mining dbr:Outlier_(disambiguation) dbr:LOBPCG dbr:Applications_of_anomaly_detection dbr:Applications_of_artificial_intelligence dbr:Local_outlier_factor dbr:Cluster_analysis dbr:Computer_forensics dbr:Density_estimation dbr:Theoretical_computer_science dbr:Data_analysis_techniques_for_fraud_detection dbr:Data_driven_marketing dbr:Data_mining dbr:Drive-by_download dbr:Local_differential_privacy dbr:AI_alignment dbr:DBSCAN dbr:ELKI dbr:Isolation_forest dbr:Guardian_Analytics dbr:Hans-Peter_Kriegel dbr:Hierarchical_temporal_memory dbr:OPTICS_algorithm dbr:One-class_classification dbr:Asok_Ray dbr:Abacus.AI dbr:K-nearest_neighbors_algorithm dbr:Kentik dbr:Supervised_anomaly_detection dbr:Misuse_detection dbr:Arthur_Zimek dbr:Artificial_immune_system dbr:Autoencoder dbr:Automated_decision-making dbr:Information dbr:Information_theory dbr:Change_detection dbr:Long_short-term_memory dbr:European_Climate_Assessment_and_Dataset dbr:List_of_statistics_articles dbr:Unsupervised_learning dbr:Natural_computing dbr:Outline_of_machine_learning dbr:PRODIGAL_(computer_system) dbr:Small_object_detection dbr:Supervised_learning dbr:Smart_Grid_Energy_Research_Center dbr:Vision_transformer dbr:Deviation_detection dbr:Novelty_detector dbr:Novelty_detectors dbr:Exception_detection dbr:Outlier_detection |
| is dbp:fields of | dbr:Arthur_Zimek |
| is foaf:primaryTopic of | wikipedia-en:Anomaly_detection |