Anomaly Detection 异常检测(李宏毅ML2019)

1. 问题的定义:Problem Formulation

image.png
image.png
image.png

2. 应用

image.png

3. 异常检测可否看作二值分类?

image.png

一是无法穷举所有异常的情况,也就无法知道异常的分布,因为异常的情况变化太大;
二是很难收集到所有的异常示例

4. 异常检测的类别:有无标签,是否数据污染

image.png

4.1 With Label

image.png
image.png
image.png

如何估计信心分数

image.png

深度学习方法来确定分类和信心分数

image.png
image.png

评估标注

image.png
image.png

4.2 Without Label

image.png
image.png
image.png
image.png
image.png
image.png
image.png

image.png

image.png

参考文献

========

Open Set Recognition
论文阅读-Open set Recognition

Trying to find task :

https://medium.com/alex-attia-blog/the-simpsons-character-recognition-using-keras-d8e1796eae36

(simple is easy)

https://medium.com/@tyreeostevenson/teaching-a-computer-to-classify-anime-8c77bc89b881

https://github.com/mitmul/chainer-handson/blob/master/animeface-character/classify_characters.ipynb

Pokemeon v.s. difimont

========================

Tool:

https://github.com/yzhao062/anomaly-detection-resources

https://scikit-learn.org/stable/modules/outlier_detection.html

========================

There is an overview paper open-set detector

=====================

https://www.youtube.com/watch?v=12Xq9OLdQwQ (learn some theory here)

https://www.youtube.com/watch?v=5vrY4RbeWkM (too simple)

http://cucis.ece.northwestern.edu/projects/DMS/publications/AnomalyDetection.pdf (old 2009)

Overview: https://murphymind.blogspot.com/2017/07/anomaly.detection.html

NG‘s course: https://www.youtube.com/watch?v=086OcT-5DYI

https://www.quora.com/Do-generative-adversarial-networks-function-for-outlier-detection

https://disp.cc/b/163-b9My

以後看到奇怪的事,就要到派出所報案喔

https://zhuanlan.zhihu.com/p/42267652

Time series data

https://github.com/numenta/NAB

Lots of data set?

http://odds.cs.stonybrook.edu/

https://github.com/alexattia/SimpsonRecognition
https://www.kaggle.com/alexattia/the-simpsons-characters-dataset/kernels

Assumption: most of them are normal player

https://www.reddit.com/r/twitchplayspokemon/comments/49ki48/top_ten_tpp_trolls_of_all_time/

https://jgeekstudies.org/2016/10/08/the-effect-of-trolls-on-twitch-plays-pokemon/

https://www.wired.com/2014/02/twitch-plays-pokemon/

https://kotaku.com/how-people-are-actually-making-progress-in-twitch-play-1525261786

https://kotaku.com/not-everyone-playing-twitch-plays-pokemon-appears-to-1530921548

https://www.quora.com/Do-all-the-trolls-on-Twitch-Plays-Pokemon-make-it-funnier

========

Do I have to mention the native approach like clustering or KNN??????

====================

There is an overview paper open-set detector

=====================
Adversarially Learned One-Class Classifier for Novelty Detection

[1] ](https://www.quora.com/Do-generative-adversarial-networks-function-for-outlier-detection)Artificially intelligent painters invent new styles of art

[2] Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

[3] http://openaccess.thecvf.com/con...

[4] Shehroz Khan's answer to Could I use GANs to generate negative samples for one class classification?

[5] Satellite Image Forgery Detection and Localization Using GAN and One-Class Classifier

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 199,271评论 5 466
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 83,725评论 2 376
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 146,252评论 0 328
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 53,634评论 1 270
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 62,549评论 5 359
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 47,985评论 1 275
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,471评论 3 390
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,128评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,257评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,233评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,235评论 1 328
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,940评论 3 316
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,528评论 3 302
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,623评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,858评论 1 255
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,245评论 2 344
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 41,790评论 2 339

推荐阅读更多精彩内容