Anomalieerkennung
Die wenigen auffälligen Fälle aus vielen normalen herausfinden
Der vollständige Artikel liegt auf Englisch vor; Titel und Zusammenfassung sind lokalisiert.
WAS DIESE FÄHIGKEIT BEDEUTET
Takes data records or time series and outputs how far each deviates from the norm, or a flag. It usually works with few or no labelled anomalies, modelling what normal looks like and calling deviations anomalous. Unlike text classification the anomaly classes are not fixed, and in training you often do not know what an anomaly looks like at all.
Wie sie technisch umgesetzt wird
Unsupervised routes model normal data: autoencoders flag large reconstruction errors, isolation forests treat easily isolated points as anomalous, and statistical methods fit a distribution and score low-probability points. Time series often use a predictive framing, taking the residual between actual and forecast values as the score. With a few labels, semi-supervised or contrastive learning takes over, and cost-sensitive thresholds balance misses against false alarms.
Repräsentative Produkte
3Beteiligte Organisationen
Typische Verwendungen
- Early warning for equipment and production-line faults
- Spotting oddity in transactions and money laundering
- Intrusion and abnormal-traffic monitoring
- Quality sampling and data-entry error catching
Wie sie bewertet wird
- AUROC
- Threshold-free ranking quality, usable on heavily imbalanced data
- PR-AUC
- More informative than AUROC when anomalies are extremely rare
- Detection delay
- Time from onset to alert, key in real-time settings
Grenzen und schwierige Punkte
- With so few anomalies a small threshold change spikes false alarms, and operators quickly go numb to them
- Concept drift marks normal behaviour as anomalous, and seasonality or business change demands continual recalibration
- In high dimensions with correlated features distance-based measures break down, diluting the gaps between normal points
Konzepte dahinter
Unüberwachtes Lernen
Ohne Antworten muss die Struktur aus den Daten selbst hervorgehen – und „gut“ muss neu definiert werden
Wahrscheinlichkeit und Verteilungen
Ein Modell liefert keine Antwort, sondern einen Überzeugungsgrad für jede mögliche Antwort
Modellbewertung und Kreuzvalidierung
Genauigkeit ist die täuschendste Metrik – falsch ausgewertet, bricht alles Weitere zusammen