异常检测

异常检测是识别数据集中严重偏离预期或正常行为的数据点、事件或观察结果的过程。异常点检测通常被称为离群点检测，它在各个领域中都发挥着至关重要的作用，它可以标记出可能预示着错误、欺诈或系统故障等重大事件的异常模式。在人工智能（AI）和机器学习（ML）的背景下，异常点检测系统经过训练，可以学习正常行为的模式，然后识别偏离这些学习模式的行为。这些系统对确保许多行业的安全、安保和运营效率至关重要。

异常检测如何工作

异常检测技术通过分析数据来确定正常基线。任何超出该基线的数据都会被标记为异常。使用的方法有简单的统计方法（如识别远离平均值的点），也有能够理解高维数据中复杂模式的复杂深度学习模型。主要方法包括

• 监督学习：需要包含正常和异常示例的标记数据集。虽然有效，但获取标注的异常数据可能具有挑战性，因为异常情况往往是罕见和意想不到的。
• 半监督学习：在仅包含正常数据的数据集上进行训练。模型学习正常模式，任何不符合正常模式的数据点都会被视为异常。当异常数据多种多样或定义不清时，这种方法非常有用。
• 无监督学习：不需要标注数据。它使用聚类（如DBSCAN）或降维（如PCA）等技术来识别孤立的或不同于大多数数据的数据点。自动编码器也常用于此。

异常检测与相关概念的比较

异常检测虽然与其他数据分析任务相关，但其目标截然不同：

• 物体检测：旨在使用边界框识别和定位图像中的已知物体实例（如汽车、人物）。异常检测，尤其是计算机视觉中的异常检测，侧重于识别不符合规范的意外视觉模式或缺陷，这些模式或缺陷可能不符合预定义的对象类别。
• 图像分类：为整个图像指定一个标签（如 "猫 "或 "狗"）。异常检测可对各种数据类型（图像、时间序列、网络日志）进行操作，并识别数据中不寻常的特定实例或模式，而不是对整个数据点进行分类。
• 离群点检测：通常与异常点检测交替使用。不过，"异常值 "通常是指在统计上与其他数据点相差甚远的数据点，而 "异常 "则可能包含更复杂的偏差，包括可能不是简单的统计异常值的不寻常模式或上下文不规则情况。

实际应用

异常检测在许多领域都至关重要：

• 生产质量控制：利用视觉系统识别装配线上产品的裂缝、划痕或错位等缺陷。例如，检测飞机部件的微小裂缝或药品上印刷错误的标签。
• 网络安全：检测异常网络流量模式、登录尝试或系统行为，这些可能表明存在入侵、恶意软件感染或拒绝服务攻击。安全警报系统可利用异常检测来标记可疑活动。
• 金融欺诈检测：识别未经授权的信用卡交易、异常交易活动或与典型客户行为不同的保险索赔。
• 医疗保健和医学图像分析：发现医学扫描（如 X 射线或核磁共振成像）中可能显示肿瘤或疾病的异常情况，通常是协助放射科医生。使用YOLO11 检测肿瘤就是一个例子。
• 系统健康监测：检测 IT 系统CPU 使用率、内存泄漏）或工业机械（预测性维护）的异常性能指标，以防止故障发生。
• 环境监测：通过卫星图像分析识别污染事件、非法砍伐森林或生态系统的异常变化。

工具和技术

开发异常检测系统通常需要使用标准 ML 库和专用平台。框架，如 PyTorch和 TensorFlow等框架为构建自定义模型提供了基本工具。对于基于视觉的任务，像 Ultralytics YOLO等模型。虽然预先训练好的YOLO 模型擅长检测普通物体，但它们可以在特定数据集上进行定制训练，以识别特定领域的异常情况，例如COCO 等数据集未涵盖的独特缺陷或异常视觉模式。Ultralytics HUB等平台为云训练、部署（模型部署选项）和使用Ultralytics HUB SDK 等工具高效管理此类模型提供了集成环境。Scikit-learn等库还提供了各种异常值和异常检测算法。

异常检测是现代人工智能和 ML 的一项重要功能，可主动识别各行各业的关键问题和偏差。在我们的Ultralytics 术语表中探索更多相关概念。