.png){kind=icon}
返回
Dependency-based anomaly detection: A general framework and comprehensive evaluation
.png){kind=icon}
OA
AI
DOI：10.1016/j.eswa.2025.129249.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 介绍DepAD，用于利用变量依赖关系检测异常。
• 将无监督检测重新表述为有监督的特征选择和预测。
• 在32个数据集上评估DepAD与九种最新方法。
• DepAD在检测异常方面表现更优，且具有更好的可解释性。
• 阐明了检测到的异常的新见解和解释。
Keyword:
Anomaly detection
Dependency-based
Causal relationship
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Scalable, Efficient and Correct Learning of Markov Boundaries Under the Faithfulness Assumption忠实假设下马尔可夫边界的可扩展，高效和正确的学习
PREAI
分享收藏Supporterisme et masculinité : l'exemple des Ultra à AuxerreGuyon, I., & Aliferis, C. (2007). 因果特征选择。载于《特征选择的计算方法》（第79-102页）。Chapman and Hall/CRC出版。
PREAI
分享收藏LoPAD: A Local Prediction Approach to Anomaly DetectionLu, S., Liu, L., Li, J., Le, T. D., & Liu, J. (2020). LoPAD: 一种用于异常检测的局部预测方法。在太平洋-亚洲知识发现与数据挖掘会议论文集（第660-673页）。Springer.
PREAI
分享收藏Xie, Y., Zhang, H., & Babar, M. A. (2025). Multivariate time series anomaly detection by capturing coarse-grained intra-and inter-variate dependencies. In Proceedings of the ACM on web conference 2025 (pp. 697–705).谢, Y., 张, H., & Babar, M. A. (2025). 多变量时间序列异常检测：通过捕获粗粒度内变量和变量间依赖关系。载于 ACM 网络会议 2025 会议录 (第 697-705 页)。.png)
IF0
PREAI
分享收藏
查看更多内容