विसंगति पहचान
ढेर सारे सामान्य डेटा में से असामान्य कुछ को चुनना
यह पृष्ठ अंग्रेज़ी में प्रस्तुत है; शीर्षक और सारांश का स्थानीयकरण किया गया है।
यह क्षमता क्या है
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.
तकनीकी रूप से कैसे
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.
प्रतिनिधि उत्पाद
3संबंधित संस्थान
सामान्य उपयोग
- 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
इसका मूल्यांकन कैसे होता है
- 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
सीमाएँ और कठिनाइयाँ
- 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
इसके पीछे की अवधारणाएँ
अनुपर्वेक्षित अधिगम
उत्तर न होने पर संरचना को स्वयं डेटा से उभरना होता है — और ‘अच्छा’ की परिभाषा फिर से तय करनी पड़ती है
प्रायिकता और प्रायिकता वितरण
मॉडल «उत्तर» नहीं देता, बल्कि हर संभव उत्तर पर अपना विश्वास-स्तर देता है
मॉडल मूल्यांकन और क्रॉस-वैलिडेशन
सटीकता सबसे भ्रामक मापदंड है — मूल्यांकन गलत हुआ तो बाकी सब बेकार है