在异常检测中,什么是新颖性检测?

在异常检测中,什么是新颖性检测?

“新颖性检测是一种特定类型的异常检测,主要关注识别与之前观察的模式不同的新模式或未知模式。与标准的异常检测不同,后者通常寻找数据中偏离既定规范的情况,而新颖性检测则寻求完全新的实例,这些实例可能不符合之前建立的任何模式或模型。这种技术在系统的正常行为已经被充分理解,但意外或以前未见的行为可能表明潜在问题的情况下至关重要。

新颖性检测的一个常见例子可以在金融交易的欺诈检测场景中看到。虽然传统的异常检测可能会识别出基于历史数据模式偏离常规的交易,例如异常大的交易,但新颖性检测能够帮助识别以前未遇到过的全新类型的欺诈。例如,如果欺诈者使用了一种在历史交易数据中未曾出现过的新方法或技术,新颖性检测可以将这些交易标记为可疑,因为它们不符合任何既定标准。

实施新颖性检测通常涉及使用仅在“正常”或良性数据上训练的机器学习模型。可以使用如一类SVM、自编码器或高斯混合模型等技术,这些模型学习有效地表示系统的正常行为。当引入一个新数据点时,模型会将其与学习到的模式进行评估,并可以突出显示那些显著偏离既定规范的实例作为新颖。这种方法在出现威胁或用户行为发生变化的环境中特别有价值,使组织能够积极应对潜在问题。”

本内容由AI工具辅助生成,内容仅供参考,请仔细甄别

专为生成式AI应用设计的向量数据库

Zilliz Cloud 是一个高性能、易扩展的 GenAI 应用的托管向量数据库服务。

免费试用Zilliz Cloud
继续阅读
GANs在图像搜索中是如何使用的?
生成对抗网络(GANs)越来越多地被应用于图像搜索,以增强搜索结果的质量和相关性。基本上,GAN由两个神经网络组成:一个生成器负责创建图像,而一个判别器负责评估这些图像。这种动态能通过根据用户查询或偏好生成高质量的图像来改善搜索体验,允许更
Read Now
LLM 的保护措施在大规模部署中可扩展吗?
是的,有一些开源框架可用于实现LLM guardrails,为开发人员提供了创建和自定义自己的内容审核和安全系统的工具。这些框架通常包括用于检测有害内容 (如仇恨言论、亵渎或错误信息) 的预构建过滤器,并且可以轻松集成到现有的LLM应用程序
Read Now
联邦学习如何促进预测性维护?
联邦学习为预测性维护提供了多项优势,它能够实现协同数据分析而不会妨碍隐私或数据安全。在传统环境中,需要将来自不同机器或传感器的数据集中到一个地方进行分析。然而,这可能会引发隐私担忧和监管问题。通过联邦学习,每台机器可以使用其本地数据训练模型
Read Now