1 异常检测问题的复杂性
与多数，常规或明显模式下的问题和任务不同，异常检测针对的是少数，不可预测/不确定和罕见的事件，导致一些特殊的复杂性，使得一般的深度学习技术无效。
未知 异常与许多未知因素有关，例如，具有未知的突然行为、数据结构和分布的实例。深度特征提取比常用的线性方法具有更强的降维能力。
异构的异常类别 异常是不规则的，因此一类异常可能表现出与另一类异常完全不同的异常特征。例如在视频监控中，抢劫、交通事故和入室盗窃等异常事件在视觉上有很大的差异。
稀有和类别不平衡 异常通常是罕见的数据实例，与通常占数据绝大部分的正常实例形成对比。
异常类型多样 已经发现了三种完全不同类型的异常。点异常，条件异常，组异
常。
2 主要的检测挑战
挑战一: 异常检测召回率低[1] 由于异常非常罕见且不均匀，因此很难识别所有异常。
挑战二: 高维和/或非独立数据中的异常检测[2] 异常通常在低维空间中表现出明显的异常特征，但在高维空间中变得隐藏且不引人注意。
挑战三: 正常/异常的数据高效学习[3] 由于收集大规模标记异常数据的困难和成本，完全监督异常检测通常是不切实际的，因为它假设正常和异常类的标记训练数据都可用。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
