孤立森林算法是基于隔离机制的异常检测算法，存在与轴平行的局部异常点无法检测、对高维数据异常点缺乏敏感性和稳定性等问题。针对这些问题，提出了基于随机超平面的隔离机制和多粒度扫描机制，随机超平面使用多个维度的线性组合简化数据模型的隔离边界，利用随机线性分类器的隔离边界能够检测更复杂的数据模式。同时，多粒度扫描机制利用滑动窗口的方式进行维度子采样，每一个维度子集均训练一个森林，多个森林集成投票决策，构造层次化集成学习异常检测模型。实验表明，改进的孤立森林算法对复杂异常数据模式有更好的稳健性，层次化集成学习模型提高了高维数据中异常检测的准确性和稳定性。

孤立森林原理及应用论文合集。主要包含孤立森林两篇原理性论文，变种及应用，异常检测原理，方便大家查阅使用。

本文是智能运维方向论文中较早而且较有影响力的一片文章，首次提出使用机器学习的方法来帮助运维人员自动配置异常检测器，并且取得的较好的性能，虽然有监督的方式仍具有局限性，并且最终的性能指标并不是很高，但Opprentice系统的提出仍然为实际运维中异常检测的工作有很大借鉴价值，在此，简单的对该文章进行翻译，对于和我一样英语水平不高的同学，可以快速浏览一下，了解文章的主要思想和大致路线，以提高读文章的速度。 原本想复现一下，后来看到裴丹老师的一些新论文中，已经找到了更好的解决方式，而且有一篇WWW2018的文章还有代码，准备先看新文章了，GITHUB上有这篇文章的部分代码重现，可在文末参考资料中点击链接进入，如果有完整重现，请联系我分享一下。

真棒视频异常检测：视频异常检测论文，已发布的代码收集，性能比较

“Towards Total Recall in Industrial Anomaly Detection”在MVtec数据集上排名第一的方法，是基于pytorch实现的，非官方源码， 简称“PatchCore”

行业资料-电子功用-具有电压检测部的异常检测部的注射成形机的控制装置

基于大数据分析的专网异常检测 漏洞分析 法律法规 红蓝对抗 攻防实训与靶场 信息安全研究

皮诺玛利 PyNomaly是LoOP（局部异常值）的Python 3实现。 LoOP是Kriegel，Kröger，Schubert和Zimek提出的基于局部密度的离群值检测方法，可提供[0,1]范围内的离群值，这些分数可直接解释为样本是离群值的概率。 每个样本的离群值称为本地离群值概率。 它测量给定样本相对于其邻居的密度的局部偏差作为局部离群值因子（LOF），但提供范围为[0,1]的归一化离群值。 这些离群值可直接解释为对象成为离群的概率。 由于本地异常值提供的评分范围为[0,1]，因此从业人员可以根据应用程序自由解释结果。 像LOF一样，它是局部的，异常分数取决于样本相对于周围邻域的隔离程度。 局部性由k个最近的邻居给出，其距离用于估计局部密度。 通过将样本的局部密度与其邻域的局部密度进行比较，可以识别出与邻域相比密度较低的区域中的样本，从而根据其局部离群概率来识别离群的样本。

行业制造-电动装置-基于累积和控制图的卫星电源系统异常检测方法.zip

异常检测 硕士项目-工业成像中的异常检测