.png){kind=icon}
返回
Anomaly detection using data depth: multivariate case
.png){kind=icon}
OA
AI
DOI：10.1007/s41060-025-00784-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常检测是数据分析与机器学习的一个分支，旨在识别表现出异常行为的观测数据。无论是测量误差、疾病发展、恶劣天气、生产质量缺陷（项目）还是设备故障、金融欺诈或危机事件，对其及时识别、隔离和解释几乎在任何科学和工业领域都是一项重要任务。通过提供稳健的排序，数据深度-统计函数（衡量空间中任意点属于数据集的程度）-成为异常检测的一个特别有用的工具。数据深度因其理论性质而闻名，在过去的十年尤其是近几年经历了实质性的计算发展，这使其适用于当代数据分析和机器学习中的大规模问题。在本文中，数据深度被研究为一种高效的异常检测工具，在多元设置中为深度值较低的观测数据分配异常标签。讨论了关于不变性和深度函数形状的必要性与合理性、其稳健性和计算复杂度、阈值选择等实际问题。插图包括使用案例，强调了数据深度在不同场景下的优势行为。
Keyword:
Data depth
Anomaly detection
Robustness
Affine invariance
Computational statistics
Projection depth
Halfspace depth
Visualization
Data analysis
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
分享收藏Breakdown Points of Affine Equivariant Estimators of Multivariate Location and Covariance Matrices
OAAI
OAAI分享收藏
查看更多内容