异常检测、离群分析中文资料，包括了入门的知识，以及基本的算法模型，outlier ensembles 的概述性内容，是学习离群分析和异常检测的上好资料

监控视频中的道路事故检测 北京大学团队2018 Road_Accident数据集上监视视频（ ）的真实世界异常检测的实现和修改版本。 数据集 道路事故数据集包含796个* .mp4格式的视频（330正常，366异常，100测试）。 数据集链接：正在更新 C3D提取器：使用3D卷积网络学习时空特征（ ）。 使用Google Colab（）提取视频的C3D功能 按照笔记本中的说明提取视频功能。 训练 检查此笔记本以查看文档以及培训/测试过程。 Keras 1.1.0 Theano 0.9.0 的Python 3 可视化结果 Django Web应用程序。 有关更多详细信息，请参见目录。 档案结构 文件/目录 说明 提取C3D视频功能 Python，Matlab通用脚本 测试视频的Groudtruth批注 用于建立C3D Caffe模型的配置文件 训练/测试代码 Jupyter

有关多维时间序列数据异常检测的精选论文7篇，最新总结

概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C

DBSCAN异常检测 这是一种受DBScan算法启发的简单算法，但由于DBScan是随机启动的，因此适用于按顺序分析数据。 使用的数据集是一些Yahoo公开数据集，其中包含有关给定时间的Yahoo服务器的信息。 例如，在夜间，由于可能没有活动的用户，服务器的负载较少，但是在白天，由于用户处于活动状态，服务器的负载可能非常大。 主要目标是防止和识别系统异常。 该算法接收三个参数：需要训练的数据集，epsilon和minPts。 在本示例中，将minPts与值1一起使用是因为存在一个单一维度，并且算法从点到点移动并测量其值之间的距离。 最重要的参数是epsilon，因为它是算法测量新的簇或保持当前簇的阈值，当算法测量两个连续点之间的欧几里得距离时。 存在在线学习，因为当算法训练数据时，他能够同时识别出哪些点异常，因此它知道如何处理随机数据。 最具挑战性的部分是找到epsilon的最佳值

计算机视觉和深度学习

Python数据分析与机器学习-交易数据异常检测; Python数据分析与机器学习-交易数据异常检测

高光谱异常检测： 这是用于高光谱异常检测的matlab代码（LSAD-CR-IDW和LSUNRSORAD算法） 有关此项目的更多信息，请参阅我们的论文： [共同第一作者] 先决条件： Matlab R2018b 其他相关论文： [1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]。 遥感，2019，11（13）：1578. [第一作者] [2]侯增福，李伟，高连如，张兵，马鹏格和孙俊林。 （2020）[口服] [3]侯增福，李伟，陶然，马鹏哥和石卫华。 中国科学信息科学。 2020年。 我的个人网站： 1.Github网站： ://zephyrhours.github.io/ 2.Personal Websie： ://zephyrhoublog.ml/（此网站将于2021年5月15日停用！） 3，中文CSDN博客： ://blog.csdn

时间序列异常检测：深度学习方法评估。 该存储库的目标是为多种最新深度学习方法的时间序列数据异常检测提供基准测试管道。 实施算法 名称 纸 LSTM-AD ，ESANN 2015 LSTM-ED ，ICML 2016 自动编码器 ，DaWaK 2002 甜甜圈 ，WWW 2018 REBM ，ICML 2016 达格 ，ICLR 2018 LSTM-DAGMM 使用 -Autoencoder而不是神经网络自动编码器扩展 用法 git clone git://github.com/KDD-OpenSource/DeepADoTS.git virtualenv venv -

异常检测是许多研究领域所面临的重要问题。探测并正确地将一些看不见的东西分类为异常是一个具有挑战性的问题，多年来已经通过许多不同的方式解决了这个问题。生成对抗网络(GANs)和对抗训练过程最近被用来面对这一任务，产生了显著的结果。在本文中，我们综述了主要的基于GAN的异常检测方法，并突出了它们的优缺点。在不同数据集上的实验结果的增加，以及使用GAN的异常检测的完整开源工具箱的公开发布。