[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yzhao062--anomaly-detection-resources":3,"tool-yzhao062--anomaly-detection-resources":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":158},4768,"yzhao062\u002Fanomaly-detection-resources","anomaly-detection-resources","Anomaly detection related books, papers, videos, and toolboxes. Last update late 2025 for LLM and VLM works!","anomaly-detection-resources 是一个专注于异常检测（又称离群点检测）领域的开源学习资源库。它旨在解决该领域知识分散、入门门槛高以及最新技术追踪困难的问题，为从业者提供了一站式的资料导航。\n\n无论是希望快速上手的开发者，还是深耕算法的研究人员，都能从中获益。资源库系统性地整理了经典书籍、学术论文、在线课程视频、公开数据集以及各类开源和商业工具包。其内容覆盖广泛，不仅包含传统的多变量数据、时间序列和图数据检测，还特别跟进前沿趋势，收录了关于大语言模型（LLM）和多模态大模型（VLM）在异常检测中的最新应用成果。\n\n此外，该项目还关联了 PyOD 等知名开源库及 ADBench 基准测试平台，帮助用户从理论到实践全面掌握信用卡欺诈分析、网络入侵检测、工业缺陷识别等场景下的核心技术。如果你正在寻找该领域的权威指引或希望了解最新的研究动态，anomaly-detection-resources 将是极佳的起点。","Anomaly Detection Learning Resources\n====================================\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fyzhao062\u002Fanomaly-detection-resources.svg\n   :target: https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fstargazers\n   :alt: GitHub stars\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fyzhao062\u002Fanomaly-detection-resources.svg?color=blue\n   :target: https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fnetwork\n   :alt: GitHub forks\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fyzhao062\u002Fanomaly-detection-resources.svg?color=blue\n   :target: https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fblob\u002Fmaster\u002FLICENSE\n   :alt: License\n\n\n.. image:: https:\u002F\u002Fawesome.re\u002Fbadge-flat2.svg\n   :target: https:\u002F\u002Fawesome.re\u002Fbadge-flat2.svg\n   :alt: Awesome\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FADBench-benchmark_results-pink\n   :target: https:\u002F\u002Fgithub.com\u002FMinqi824\u002FADBench\n   :alt: Benchmark\n\n\n----\n\n`Outlier Detection \u003Chttps:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAnomaly_detection>`_\n(also known as *Anomaly Detection*) is an exciting yet challenging field,\nwhich aims to identify outlying objects that are deviant from the general data distribution.\nOutlier detection has been proven critical in many fields, such as credit card\nfraud analytics, network intrusion detection, and mechanical unit defect detection.\n\n**This repository collects**:\n\n\n#. Books & Academic Papers \n#. Online Courses and Videos\n#. Outlier Datasets\n#. Open-source and Commercial Libraries\u002FToolkits\n#. Key Conferences & Journals\n\n\n**More items will be added to the repository**.\nPlease feel free to suggest other key resources by opening an issue report,\nsubmitting a pull request, or dropping me an email @ (yzhao010@usc.edu).\nEnjoy reading!\n\nBTW, you may find my `[GitHub] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062>`_, `[USC FORTIS Lab] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS>`_, and\n`[Google Scholar] \u003Chttps:\u002F\u002Fscholar.google.com\u002Fcitations?user=zoGDYsoAAAAJ&hl=en>`_ relevant,\nespecially `PyOD library \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_, `ADBench benchmark \u003Chttps:\u002F\u002Fgithub.com\u002FMinqi824\u002FADBench>`_, and `NLP-ADBench: NLP Anomaly Detection Benchmark  \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench>`_,.\n\n----\n\nTable of Contents\n-----------------\n\n\n* `1. Books & Tutorials & Benchmarks \u003C#1-books--tutorials--benchmarks>`_\n\n  * `1.1. Benchmarks \u003C#13-benchmarks>`_\n  * `1.2. Tutorials \u003C#12-tutorials>`_\n  * `1.3. Books \u003C#11-books>`_\n\n* `2. Courses\u002FSeminars\u002FVideos \u003C#2-coursesseminarsvideos>`_\n* `3. Toolbox & Datasets \u003C#3-toolbox--datasets>`_\n\n  * `3.1. Multivariate data outlier detection \u003C#31-multivariate-data>`_\n  * `3.2. Time series outlier detection \u003C#32-time-series-outlier-detection>`_\n  * `3.3. Graph Outlier Detection \u003C#33-graph-outlier-detection>`_\n  * `3.4. Real-time Elasticsearch \u003C#34-real-time-elasticsearch>`_\n  * `3.5. Datasets \u003C#35-datasets>`_\n\n* `4. Papers \u003C#4-papers>`_\n\n  * `4.1. LLM and LLM Agents for Anomaly Detection \u003C#41-llm-and-llm-agents-for-anomaly-detection>`_\n  * `4.2. Emerging and Interesting Topics \u003C#42-emerging-and-interesting-topics>`_\n  * `4.3. Weakly-supervised Methods \u003C#43-weakly-supervised-methods>`_\n  * `4.4. Machine Learning Systems for Outlier Detection \u003C#44-machine-learning-systems-for-outlier-detection>`_\n  * `4.5. Automated Outlier Detection \u003C#45-automated-outlier-detection>`_\n  * `4.6. Outlier Detection with Neural Networks \u003C#46-outlier-detection-with-neural-networks>`_\n  * `4.7. Interpretability \u003C#47-interpretability>`_\n  * `4.8. Representation Learning in Outlier Detection \u003C#48-representation-learning-in-outlier-detection>`_\n  * `4.9. Outlier Detection in Evolving Data \u003C#49-outlier-detection-in-evolving-data>`_\n  * `4.10. Outlier Ensembles \u003C#410-outlier-ensembles>`_\n  * `4.11. High-dimensional & Subspace Outliers \u003C#411-high-dimensional--subspace-outliers>`_\n  * `4.12. Feature Selection in Outlier Detection \u003C#412-feature-selection-in-outlier-detection>`_\n  * `4.13. Time Series Outlier Detection \u003C#413-time-series-outlier-detection>`_\n  * `4.14. Graph & Network Outlier Detection \u003C#414-graph--network-outlier-detection>`_\n  * `4.15. Key Algorithms \u003C#415-key-algorithms>`_\n  * `4.16. Overview & Survey Papers \u003C#416-overview--survey-papers>`_\n  * `4.17. Isolation-based Methods \u003C#417-isolation-based-methods>`_\n  * `4.18. Fairness and Bias in Outlier Detection \u003C#418-fairness-and-bias-in-outlier-detection>`_\n  * `4.19. Outlier Detection Applications \u003C#419-outlier-detection-applications>`_\n  * `4.20. Outlier Detection in Other fields \u003C#420-outlier-detection-in-other-fields>`_\n  * `4.21. Interactive Outlier Detection \u003C#421-interactive-outlier-detection>`_\n  * `4.22. Active Anomaly Detection \u003C#422-active-anomaly-detection>`_\n\n\n* `5. Key Conferences\u002FWorkshops\u002FJournals \u003C#5-key-conferencesworkshopsjournals>`_\n\n  * `5.1. Conferences & Workshops \u003C#51-conferences--workshops>`_\n  * `5.2. Journals \u003C#52-journals>`_\n\n\n----\n\n\n1. Books & Tutorials & Benchmarks\n---------------------------------\n\n1.1. Benchmarks\n^^^^^^^^^^^^^^^\n\n**News**: We have two new works on NLP-based and LLM-based anomaly detection:\n\n- NLP-ADBench: NLP Anomaly Detection Benchmark\n- AD-LLM: Benchmarking Large Language Models for Anomaly Detection\n\n=============  =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nData Types     Paper Title                                                                                        Venue                         Year   Ref                           Materials\n=============  =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nNLP            NLP-ADBench: NLP Anomaly Detection Benchmark                                                       Preprint                      2024   [#Li2024NLPADBench]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.04784>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench>`_\nNLP            AD-LLM: Benchmarking Large Language Models for Anomaly Detection                                   Preprint                      2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\nTime-series    The Elephant in the Room: Towards A Reliable Time-Series Anomaly Detection Benchmark               NeurIPS D&B                   2024   [#Liu2024Elephant]_           `[Homepage] \u003Chttps:\u002F\u002Fnips.cc\u002Fvirtual\u002F2024\u002Fposter\u002F97690>`_, `[PDF] \u003Chttps:\u002F\u002Fpapers.nips.cc\u002Fpaper_files\u002Fpaper\u002F2024\u002Ffile\u002Fc3f3c690b7a99fba16d0efd35cb83b2c-Paper-Datasets_and_Benchmarks_Track.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FTheDatumOrg\u002FTSB-AD>`_\nGraph          GADBench: Revisiting and Benchmarking Supervised Graph Anomaly Detection                           NeurIPS                       2023   [#Tang2023GADBench]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2306.12251>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FsquareRoot3\u002FGADBench>`_\nTabular        ADGym: Design Choices for Deep Anomaly Detection                                                   NeurIPS                       2023   [#Jiang2023adgym]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2309.15376>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FMinqi824\u002FADGym>`_\nGraph          Benchmarking Node Outlier Detection on Graphs                                                      NeurIPS                       2022   [#Liu2022Benchmarking]_       `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2206.10071>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fpygod-team\u002Fpygod\u002Ftree\u002Fmain\u002Fbenchmark>`_\nTabular        ADBench: Anomaly Detection Benchmark                                                               NeurIPS                       2022   [#Han2022Adbench]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2206.09426>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FMinqi824\u002FADBench>`_\nTime-series    Revisiting Time Series Outlier Detection: Definitions and Benchmarks                               NeurIPS                       2021   [#Lai2021Revisiting]_         `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=r8IvOsnHchr>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods\u002Ftree\u002Fbenchmark>`_\n=============  =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n1.2. Tutorials\n^^^^^^^^^^^^^^\n\n===================================================== ============================================  =====  ============================  ==========================================================================================================================================================================\nTutorial Title                                        Venue                                         Year   Ref                           Materials\n===================================================== ============================================  =====  ============================  ==========================================================================================================================================================================\nTrustworthy Anomaly Detection                         SDM                                           2024   [#Yuan2024Trustworthy]_       `[HTML] \u003Chttps:\u002F\u002Fyuan.shuhan.org\u002Ftalks\u002FSDM24\u002F>`_\nRecent Advances in Anomaly Detection                  CVPR                                          2023   [#Pang2023recent]_            `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fview\u002Fcvpr2023-tutorial-on-ad\u002F>`_, `[Video] \u003Chttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=dXxrzWeybBo&feature=youtu.be>`_\nDeep Learning for Anomaly Detection                   WSDM                                          2021   [#Pang2021Deep]_              `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fsite\u002Fgspangsite\u002Fwsdm21_tutorial>`_\nToward Explainable Deep Anomaly Detection             KDD                                           2021   [#Pang2021Toward]_            `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fsite\u002Fgspangsite\u002Fkdd21_tutorial>`_\nDeep Learning for Anomaly Detection                   KDD                                           2020   [#Wang2020Deep]_              `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fview\u002Fkdd2020deepeye\u002Fhome>`_, `[Video] \u003Chttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Fn0qDbKL3UI&list=PLn0nrSd4xjja7AD3aY9Jxmr820gx59EQC&index=66>`_\nWhich Outlier Detector Should I use?                  ICDM                                          2018   [#Ting2018Which]_             `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8594824>`_\nOutlier detection techniques                          ACM SIGKDD                                    2010   [#Kriegel2010Outlier]_        `[PDF] \u003Chttps:\u002F\u002Fimada.sdu.dk\u002F~zimek\u002Fpublications\u002FKDD2010\u002Fkdd10-outlier-tutorial.pdf>`_\nData mining for anomaly detection                     PKDD                                          2008   [#Lazarevic2008Data]_         `[Video] \u003Chttp:\u002F\u002Fvideolectures.net\u002Fecmlpkdd08_lazarevic_dmfa\u002F>`_\n===================================================== ============================================  =====  ============================  ==========================================================================================================================================================================\n\n\n1.3. Books\n^^^^^^^^^^\n\n`Outlier Analysis \u003Chttps:\u002F\u002Flink.springer.com\u002Fbook\u002F10.1007\u002F978-3-319-47578-3>`_ \nby Charu Aggarwal: Classical text book covering most of the outlier analysis techniques. \nA **must-read** for people in the field of outlier detection. `[Preview.pdf] \u003Chttp:\u002F\u002Fcharuaggarwal.net\u002Foutlierbook.pdf>`_\n\n`Outlier Ensembles: An Introduction \u003Chttps:\u002F\u002Fwww.springer.com\u002Fgp\u002Fbook\u002F9783319547640>`_ \nby Charu Aggarwal and Saket Sathe: Great intro book for ensemble learning in outlier analysis.\n\n`Data Mining: Concepts and Techniques (3rd) \u003Chttps:\u002F\u002Fwww.elsevier.com\u002Fbooks\u002Fdata-mining-concepts-and-techniques\u002Fhan\u002F978-0-12-381479-1>`_ \nby Jiawei Han and Micheline Kamber and Jian Pei: Chapter 12 discusses outlier detection with many key points. `[Google Search] \u003Chttps:\u002F\u002Fwww.google.ca\u002Fsearch?&q=data+mining+jiawei+han&oq=data+ming+jiawei>`_\n\n\n----\n\n2. Courses\u002FSeminars\u002FVideos\n--------------------------\n\n**Coursera Introduction to Anomaly Detection (by IBM)**\\ :\n`[See Video] \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fai\u002Flecture\u002FASPv0\u002Fintroduction-to-anomaly-detection>`_\n\n**Get started with the Anomaly Detection API (by IBM)**\\ :\n`[See Website] \u003Chttps:\u002F\u002Fdeveloper.ibm.com\u002Flearningpaths\u002Fget-started-anomaly-detection-api\u002F>`_\n\n**Practical Anomaly Detection by appliedAI Institute**\\:\n`[See Website] \u003Chttps:\u002F\u002Ftransferlab.ai\u002Ftrainings\u002Fpractical-anomaly-detection\u002F>`_, `[See Video] \u003Chttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=sEoMIDARpJ0&list=PLz6xKPm1Bnd6cDDgct3MDhNWJuPXzsmyW>`_, `[See GitHub] \u003Chttps:\u002F\u002Fgithub.com\u002Faai-institute\u002Ftfl-training-practical-anomaly-detection>`_\n\n**Coursera Real-Time Cyber Threat Detection and Mitigation partly covers the topic**\\ :\n`[See Video] \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Freal-time-cyber-threat-detection>`_\n\n**Coursera Machine Learning by Andrew Ng also partly covers the topic**\\ :\n\n\n* `Anomaly Detection vs. Supervised Learning \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Flecture\u002FRkc5x\u002Fanomaly-detection-vs-supervised-learning>`_\n* `Developing and Evaluating an Anomaly Detection System \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Flecture\u002FMwrni\u002Fdeveloping-and-evaluating-an-anomaly-detection-system>`_\n\n**Udemy Outlier Detection Algorithms in Data Mining and Data Science**\\ :\n`[See Video] \u003Chttps:\u002F\u002Fwww.udemy.com\u002Foutlier-detection-techniques\u002F>`_\n\n**Stanford Data Mining for Cyber Security** also covers part of anomaly detection techniques\\ :\n`[See Video] \u003Chttp:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs259d\u002F>`_\n\n----\n\n3. Toolbox & Datasets\n---------------------\n\n[**Python+LLM Agent**] `OpenAD \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-AGENT>`_: AD-AGENT is a multi-agent framework designed to automate anomaly detection across diverse data modalities, including tabular, graph, time series, and more. It integrates modular agents, model selection strategies, and configurable pipelines to support extensible and interpretable detection workflows. The framework is under active development and aims to support both academic research and practical deployment.\n\n3.1. Multivariate Data\n^^^^^^^^^^^^^^^^^^^^^^\n\n[**Python**] `Python Outlier Detection (PyOD) \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_\\ : PyOD is a comprehensive and scalable Python toolkit for detecting outlying objects in multivariate data. It contains more than 20 detection algorithms, including emerging deep learning models and outlier ensembles.\n\n[**Python**, **GPU**] `TOD: Tensor-based Outlier Detection (PyTOD) \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpytod>`_: A general GPU-accelerated framework for outlier detection.\n\n[**Python**] `Python Streaming Anomaly Detection (PySAD) \u003Chttps:\u002F\u002Fgithub.com\u002Fselimfirat\u002Fpysad>`_\\ : PySAD is a streaming anomaly detection framework in Python, which provides a complete set of tools for anomaly detection experiments. It currently contains more than 15 online anomaly detection algorithms and 2 different methods to integrate PyOD detectors to the streaming setting.\n\n[**Python**] `Scikit-learn Novelty and Outlier Detection \u003Chttp:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Foutlier_detection.html>`_. It supports some popular algorithms like LOF, Isolation Forest, and One-class SVM.\n\n[**Python**] `Scalable Unsupervised Outlier Detection (SUOD) \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fsuod>`_\\ : SUOD (Scalable Unsupervised Outlier Detection) is an acceleration framework for large-scale unsupervised outlier detector training and prediction, on top of PyOD.\n\n[**Julia**] `OutlierDetection.jl \u003Chttps:\u002F\u002Fgithub.com\u002FOutlierDetectionJL\u002FOutlierDetection.jl>`_\\ : OutlierDetection.jl is a Julia toolkit for detecting outlying objects, also known as anomalies.\n\n[**Java**] `ELKI: Environment for Developing KDD-Applications Supported by Index-Structures \u003Chttps:\u002F\u002Felki-project.github.io\u002F>`_\\ :\nELKI is an open source (AGPLv3) data mining software written in Java. The focus of ELKI is research in algorithms, with an emphasis on unsupervised methods in cluster analysis and outlier detection. \n\n[**Java**] `RapidMiner Anomaly Detection Extension \u003Chttps:\u002F\u002Fgithub.com\u002FMarkus-Go\u002Frapidminer-anomalydetection>`_\\ : The Anomaly Detection Extension for RapidMiner comprises the most well know unsupervised anomaly detection algorithms, assigning individual anomaly scores to data rows of example sets. It allows you to find data, which is significantly different from the normal, without the need for the data being labeled.\n\n[**R**] `CRAN Task View: Anomaly Detection with R \u003Chttps:\u002F\u002Fgithub.com\u002Fpridiltal\u002Fctv-AnomalyDetection>`_\\ : This CRAN task view contains a list of packages that can be used for anomaly detection with R.\n\n[**R**] `outliers package \u003Chttps:\u002F\u002Fcran.r-project.org\u002Fweb\u002Fpackages\u002Foutliers\u002Findex.html>`_\\ : A collection of some tests commonly used for identifying outliers in R.\n\n[**Matlab**] `Anomaly Detection Toolbox - Beta \u003Chttp:\u002F\u002Fdsmi-lab-ntust.github.io\u002FAnomalyDetectionToolbox\u002F>`_\\ : A collection of popular outlier detection algorithms in Matlab.\n\n\n3.2. Time Series Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n[**Python**] `TODS \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods>`_\\ : TODS is a full-stack automated machine learning system for outlier detection on multivariate time-series data.\n\n[**Python**] `skyline \u003Chttps:\u002F\u002Fgithub.com\u002Fearthgecko\u002Fskyline>`_\\ : Skyline is a near real time anomaly detection system.\n\n[**Python**] `banpei \u003Chttps:\u002F\u002Fgithub.com\u002Ftsurubee\u002Fbanpei>`_\\ : Banpei is a Python package of the anomaly detection.\n\n[**Python**] `telemanom \u003Chttps:\u002F\u002Fgithub.com\u002Fkhundman\u002Ftelemanom>`_\\ : A framework for using LSTMs to detect anomalies in multivariate time series data.\n\n[**Python**] `DeepADoTS \u003Chttps:\u002F\u002Fgithub.com\u002FKDD-OpenSource\u002FDeepADoTS>`_\\ : A benchmarking pipeline for anomaly detection on time series data for multiple state-of-the-art deep learning methods.\n\n[**Python**] `NAB: The Numenta Anomaly Benchmark \u003Chttps:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB>`_\\ : NAB is a novel benchmark for evaluating algorithms for anomaly detection in streaming, real-time applications.\n\n[**Python**] `CueObserve \u003Chttps:\u002F\u002Fgithub.com\u002Fcuebook\u002FCueObserve>`_\\ : Anomaly detection on SQL data warehouses and databases.\n\n[**Python**] `Chaos Genius \u003Chttps:\u002F\u002Fgithub.com\u002Fchaos-genius\u002Fchaos_genius>`_\\ : ML powered analytics engine for outlier\u002Fanomaly detection and root cause analysis.\n\n[**R**] `CRAN Task View: Anomaly Detection with R \u003Chttps:\u002F\u002Fgithub.com\u002Fpridiltal\u002Fctv-AnomalyDetection>`_\\ : This CRAN task view contains a list of packages that can be used for anomaly detection with R.\n\n[**R**] `AnomalyDetection \u003Chttps:\u002F\u002Fgithub.com\u002Ftwitter\u002FAnomalyDetection>`_\\ : AnomalyDetection is an open-source R package to detect anomalies which is robust, from a statistical standpoint, in the presence of seasonality and an underlying trend.\n\n[**R**] `anomalize \u003Chttps:\u002F\u002Fcran.r-project.org\u002Fweb\u002Fpackages\u002Fanomalize\u002F>`_\\ : The 'anomalize' package enables a \"tidy\" workflow for detecting anomalies in data.\n\n\n3.3. Graph Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n[**Python**] `Python Graph Outlier Detection (PyGOD) \u003Chttps:\u002F\u002Fgithub.com\u002Fpygod-team\u002Fpygod\u002F>`_\\ : PyGOD is a Python library for graph outlier detection (anomaly detection). It includes more than 10 latest graph-based detection algorithms\n\n\n3.4. Real-time Elasticsearch\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n[**Open Distro**] `Real Time Anomaly Detection in Open Distro for Elasticsearch by Amazon \u003Chttps:\u002F\u002Fgithub.com\u002Faws\u002Frandom-cut-forest-by-aws>`_\\ : A machine learning-based anomaly detection plugins for Open Distro for Elasticsearch. See `Real Time Anomaly Detection in Open Distro for Elasticsearch \u003Chttps:\u002F\u002Fopendistro.github.io\u002Ffor-elasticsearch\u002Fblog\u002Fodfe-updates\u002F2019\u002F11\u002Freal-time-anomaly-detection-in-open-distro-for-elasticsearch\u002F>`_.\n\n[**Python**] `datastream.io \u003Chttps:\u002F\u002Fgithub.com\u002FMentatInnovations\u002Fdatastream.io>`_\\ : An open-source framework for real-time anomaly detection using Python, Elasticsearch and Kibana.\n\n\n3.5. Datasets\n^^^^^^^^^^^^^\n\n**NLP-ADBench**: NLP Anomaly Detection Benchmark and Datasets: https:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench\n\n**ELKI Outlier Datasets**\\ : https:\u002F\u002Felki-project.github.io\u002Fdatasets\u002Foutlier\n\n**Outlier Detection DataSets (ODDS)**\\ : http:\u002F\u002Fodds.cs.stonybrook.edu\u002F#table1\n\n**Unsupervised Anomaly Detection Dataverse**\\ : https:\u002F\u002Fdataverse.harvard.edu\u002Fdataset.xhtml?persistentId=doi:10.7910\u002FDVN\u002FOPQMVF\n\n**Anomaly Detection Meta-Analysis Benchmarks**\\ : https:\u002F\u002Fir.library.oregonstate.edu\u002Fconcern\u002Fdatasets\u002F47429f155\n\n**Skoltech Anomaly Benchmark (SKAB)**\\ : https:\u002F\u002Fgithub.com\u002Fwaico\u002Fskab\n\n\n----\n\n\n4. Papers\n---------\n\nRecommended reading order (latest-first):\n\n* `4.1. LLM and LLM Agents for Anomaly Detection \u003C#41-llm-and-llm-agents-for-anomaly-detection>`_\n* `4.2. Emerging and Interesting Topics \u003C#42-emerging-and-interesting-topics>`_\n* `4.3. Weakly-supervised Methods \u003C#43-weakly-supervised-methods>`_\n* `4.4. Machine Learning Systems for Outlier Detection \u003C#44-machine-learning-systems-for-outlier-detection>`_\n* `4.5. Automated Outlier Detection \u003C#45-automated-outlier-detection>`_\n\n4.1. LLM and LLM Agents for Anomaly Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==============================================================================================================  ============================  =====  ============================  =====================================================================================================================================================================================\nPaper Title                                                                                                     Venue                         Year   Ref                           Materials\n==============================================================================================================  ============================  =====  ============================  =====================================================================================================================================================================================\nAD-LLM: Benchmarking Large Language Models for Anomaly Detection                                                ACL 2025 Findings             2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\nNLP-ADBench: NLP Anomaly Detection Benchmark                                                                    EMNLP 2025 Findings           2024   [#Li2024NLPADBench]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.04784>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench>`_\nAD-AGENT: A Multi-agent Framework for End-to-end Anomaly Detection                                              Findings of IJCNLP-AACL       2025   [#Yang2025ADAGENT]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2505.12594>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-AGENT>`_\nLogSAD: Training-free Anomaly Detection with Vision & Language Foundation Models                                CVPR 2025                     2025   [#Zhang2025LogSAD]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2503.18325>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fzhang0jhon\u002FLogSAD>`_\nMMAD: A Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection            ICLR 2025                     2025   [#Jiang2025MMAD]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2410.09453>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fjam-cc\u002FMMAD>`_\nDelving into Large Language Models for Effective Time-Series Anomaly Detection                                  NeurIPS 2025                  2025   [#Park2025LLMTSAD]_           `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=6rpy7X1Of8>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fjunwoopark92\u002FLLM-TSAD>`_\n==============================================================================================================  ============================  =====  ============================  =====================================================================================================================================================================================\n\n\n\n4.2. Emerging and Interesting Topics\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nClustering with Outlier Removal                                                                    TKDE                          2019   [#Liu2018Clustering]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1801.01899.pdf>`_\nReal-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning          IEEE Trans. Ind. Informat.    2020   [#Castellani2020Siamese]_     `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?tp=&arnumber=9179030>`_\nSSD: A Unified Framework for Self-Supervised Outlier Detection                                     ICLR                          2021   [#Sehwag2021SSD]_             `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=v5gjXpmR8J>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Finspire-group\u002FSSD>`_\nAD-LLM: Benchmarking Large Language Models for Anomaly Detection                                   Preprint                      2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.3. Weakly-Supervised Methods\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                            Materials\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\nXGBOD: improving supervised outlier detection with unsupervised representation learning            IJCNN                         2018   [#Zhao2018Xgbod]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1912.00290>`_\nFeature Encoding With Autoencoders for Weakly Supervised Anomaly Detection                         TNNLS                         2021   [#Zhou2021Feature]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2105.10500.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fyj-zhou\u002FFeature_Encoding_with_AutoEncoders_for_Weakly-supervised_Anomaly_Detection>`_\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n\n\n\n4.4. Machine Learning Systems for Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\nThis section summarizes a list of systems for outlier detection, which may\noverlap with the section of tools and libraries.\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPyOD: A Python Toolbox for Scalable Outlier Detection                                              JMLR                          2019   [#Zhao2019PYOD]_              `[PDF] \u003Chttps:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fvolume20\u002F19-011\u002F19-011.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_\nSUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection                        MLSys                         2021   [#Zhao2021SUOD]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.05731.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fsuod>`_\nTOD: Tensor-based Outlier Detection                                                                Preprint                      2021   [#Zhao2021TOD]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2110.14007.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpytod>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n\n4.5. Automated Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nAutoML: state of the art with a focus on anomaly detection, challenges, and research directions    Int J Data Sci Anal           2022   [#Bahri2022automl]_           `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F358364044_AutoML_state_of_the_art_with_a_focus_on_anomaly_detection_challenges_and_research_directions>`_\nAutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning        ICDE                          2020   [#Li2020AutoOD]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2006.11321.pdf>`_\nAutomatic Unsupervised Outlier Model Selection                                                     NeurIPS                       2021   [#Zhao2020Automating]_        `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fforum?id=KCd-3Pz8VjM>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002FMetaOD>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.6. Outlier Detection with Neural Networks\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                         Venue                         Year   Ref                           Materials\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nDetecting spacecraft anomalies using lstms and nonparametric dynamic thresholding                   KDD                           2018   [#Hundman2018Detecting]_      `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.04431.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fkhundman\u002Ftelemanom>`_\nMAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks   ICANN                         2019   [#Li2019MAD]_                 `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1901.04997.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FLiDan456\u002FMAD-GANs>`_\nGenerative Adversarial Active Learning for Unsupervised Outlier Detection                           TKDE                          2019   [#Liu2019Generative]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1809.10816.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fleibinghe\u002FGAAL-based-outlier-detection>`_\nDeep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection                         ICLR                          2018   [#Zong2018Deep]_              `[PDF] \u003Chttp:\u002F\u002Fwww.cs.ucsb.edu\u002F~bzong\u002Fdoc\u002Ficlr18-dagmm.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fdanieltan07\u002Fdagmm>`_\nDeep Anomaly Detection with Outlier Exposure                                                        ICLR                          2019   [#Hendrycks2019Deep]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1812.04606.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fhendrycks\u002Foutlier-exposure>`_\nUnsupervised Anomaly Detection With LSTM Neural Networks                                            TNNLS                         2019   [#Ergen2019Unsupervised]_     `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.09207.pdf>`_, `[IEEE] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8836638>`_,\nEffective End-to-end Unsupervised Outlier Detection via Inlier Priority of Discriminative Network   NeurIPS                       2019   [#Wang2019Effective]_         `[PDF] \u003Chttps:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F8830-effective-end-to-end-unsupervised-outlier-detection-via-inlier-priority-of-discriminative-network.pdf>`_ `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fdemonzyj56\u002FE3Outlier>`_\nFascinating Supervisory Signals and Where to Find Them: Deep Anomaly Detection with Scale Learning  ICML                          2023   [#Xu2023Fascinating]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2305.16114>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fxuhongzuo\u002Fscale-learning>`_ \n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.7. Interpretability\n^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nExplaining Anomalies in Groups with Characterizing Subspace Rules                                  DMKD                          2018   [#Macha2018Explaining]_       `[PDF] \u003Chttps:\u002F\u002Fwww.andrew.cmu.edu\u002Fuser\u002Flakoglu\u002Fpubs\u002F18-pkdd-journal-xpacs.pdf>`_\nBeyond Outlier Detection: LookOut for Pictorial Explanation                                        ECML-PKDD                     2018   [#Gupta2018Beyond]_           `[PDF] \u003Chttps:\u002F\u002Fwww.andrew.cmu.edu\u002Fuser\u002Flakoglu\u002Fpubs\u002F18-pkdd-lookout.pdf>`_\nContextual outlier interpretation                                                                  IJCAI                         2018   [#Liu2018Contextual]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1711.10589.pdf>`_\nMining multidimensional contextual outliers from categorical relational data                       IDA                           2015   [#Tang2015Mining]_            `[PDF] \u003Chttp:\u002F\u002Fwww.cs.sfu.ca\u002F~jpei\u002Fpublications\u002FContextual%20outliers.pdf>`_\nDiscriminative features for identifying and interpreting outliers                                  ICDE                          2014   [#Dang2014Discriminative]_    `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F6816642>`_\nSequential Feature Explanations for Anomaly Detection                                              TKDD                          2019   [#Siddiqui2019Sequential]_    `[HTML] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3230666>`_\nA Survey on Explainable Anomaly Detection                                                          TKDD                          2023   [#Li2023XAD]_                 `[HTML] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3609333>`_\nExplainable Contextual Anomaly Detection Using Quantile Regression Forests                         DMKD                          2023   [#Li2023QCAD]_                `[HTML] \u003Chttps:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10618-023-00967-z>`_\nBeyond Outlier Detection: Outlier Interpretation by Attention-Guided Triplet Deviation Network     WWW                           2021   [#Xu2021Beyond]_              `[PDF] \u003Chttps:\u002F\u002Fjiansonglei.github.io\u002Ffiles\u002F21WWW.pdf>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.8. Representation Learning in Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                         Venue                         Year   Ref                           Materials\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nLearning Representations of Ultrahigh-dimensional Data for Random Distance-based Outlier Detection  SIGKDD                        2018   [#Pang2018Learning]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.04808.pdf>`_\nLearning representations for outlier detection on a budget                                          Preprint                      2015   [#Micenkova2015Learning]_     `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1507.08104.pdf>`_\nXGBOD: improving supervised outlier detection with unsupervised representation learning             IJCNN                         2018   [#Zhao2018Xgbod]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1912.00290>`_\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.9. Outlier Detection in Evolving Data\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                         Venue                         Year   Ref                           Materials\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nA Survey on Anomaly detection in Evolving Data: [with Application to Forest Fire Risk Prediction]   SIGKDD Explorations           2018   [#Salehi2018A]_               `[PDF] \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fexploration_files\u002F20-1-Article2.pdf>`_\nUnsupervised real-time anomaly detection for streaming data                                         Neurocomputing                2017   [#Ahmad2017Unsupervised]_     `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F317325599_Unsupervised_real-time_anomaly_detection_for_streaming_data>`_\nOutlier Detection in Feature-Evolving Data Streams                                                  SIGKDD                        2018   [#Manzoor2018Outlier]_        `[PDF] \u003Chttps:\u002F\u002Fwww.andrew.cmu.edu\u002Fuser\u002Flakoglu\u002Fpubs\u002F18-kdd-xstream.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fcmuxstream.github.io\u002F>`_\nEvaluating Real-Time Anomaly Detection Algorithms--The Numenta Anomaly Benchmark                    ICMLA                         2015   [#Lavin2015Evaluating]_       `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1510.03336.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB>`_\nMIDAS: Microcluster-Based Detector of Anomalies in Edge Streams                                     AAAI                          2020   [#Bhatia2020MIDAS]_           `[PDF] \u003Chttps:\u002F\u002Fwww.comp.nus.edu.sg\u002F~sbhatia\u002Fassets\u002Fpdf\u002Fmidas.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fbhatiasiddharth\u002FMIDAS>`_\nNETS: Extremely Fast Outlier Detection from a Data Stream via Set-Based Processing                  VLDB                          2019   [#Yoon2019NETS]_              `[PDF] \u003Chttp:\u002F\u002Fwww.vldb.org\u002Fpvldb\u002Fvol12\u002Fp1303-yoon.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FNETS>`_, `[Slide] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wqKJZhEE4nTWe0zODu21ejgPDsDA_xaF\u002Fview?usp=sharing>`_\nUltrafast Local Outlier Detection from a Data Stream with Stationary Region Skipping                KDD                           2020   [#Yoon2020STARE]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3394486.3403171>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FSTARE>`_, `[Slide] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F11y7Gs703SKJBkPZ4nKKgua__dHXXMbkV\u002Fview?usp=sharing>`_\nMultiple Dynamic Outlier-Detection from a Data Stream by Exploiting Duality of Data and Queries     SIGMOD                        2021   [#Yoon2021MDUAL]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3448016.3452810>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FMDUAL>`_, `[Slide] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wmkkKCAcF9Dk8Wg49WnJF4U--lbtWy9J\u002Fview>`_\nAdaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream        KDD                           2022   [#Yoon2022ARCUS]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3534678.3539348>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FARCUS>`_, `[Slide] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1JhrnEj1vScqGy69cfNUpfTjQYZh-vj_D\u002Fview>`_\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.10. Outlier Ensembles\n^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nOutlier ensembles: position paper                                                                  SIGKDD Explorations           2013   [#Aggarwal2013Outlier]_       `[PDF] \u003Chttps:\u002F\u002Fpdfs.semanticscholar.org\u002F841e\u002Fce7c3812bbf799c99c84c064bbcf77916ba9.pdf>`_\nEnsembles for unsupervised outlier detection: challenges and research questions a position paper   SIGKDD Explorations           2014   [#Zimek2014Ensembles]_        `[PDF] \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fexploration_files\u002FV15-01-02-Zimek.pdf>`_\nAn Unsupervised Boosting Strategy for Outlier Detection Ensembles                                  PAKDD                         2018   [#Campos2018An]_              `[HTML] \u003Chttps:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-93034-3_45>`_\nLSCP: Locally selective combination in parallel outlier ensembles                                  SDM                           2019   [#Zhao2019LSCP]_              `[PDF] \u003Chttps:\u002F\u002Fepubs.siam.org\u002Fdoi\u002Fpdf\u002F10.1137\u002F1.9781611975673.66>`_\nAdaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream       KDD                           2022   [#Yoon2022ARCUS]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3534678.3539348>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FARCUS>`_, `[Slide] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1JhrnEj1vScqGy69cfNUpfTjQYZh-vj_D\u002Fview>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n4.11. High-dimensional & Subspace Outliers\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  =======================================================================================================================================================================================================\nPaper Title                                                                                         Venue                         Year   Ref                           Materials\n==================================================================================================  ============================  =====  ============================  =======================================================================================================================================================================================================\nA survey on unsupervised outlier detection in high-dimensional numerical data                       Stat Anal Data Min            2012   [#Zimek2012A]_                `[HTML] \u003Chttps:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Fabs\u002F10.1002\u002Fsam.11161>`_\nLearning Representations of Ultrahigh-dimensional Data for Random Distance-based Outlier Detection  SIGKDD                        2018   [#Pang2018Learning]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.04808.pdf>`_\nReverse Nearest Neighbors in Unsupervised Distance-Based Outlier Detection                          TKDE                          2015   [#Radovanovic2015Reverse]_    `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F6948273>`_, `[SLIDES] \u003Chttps:\u002F\u002Fpdfs.semanticscholar.org\u002Fc8aa\u002F832362422418287ff56793c780b425afa93f.pdf>`_\nOutlier detection for high-dimensional data                                                         Biometrika                    2015   [#Ro2015Outlier]_             `[PDF] \u003Chttp:\u002F\u002Fweb.hku.hk\u002F~gyin\u002Fmaterials\u002F2015RoZouWangYinBiometrika.pdf>`_\n==================================================================================================  ============================  =====  ============================  =======================================================================================================================================================================================================\n\n\n4.12. Feature Selection in Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                                       Venue                         Year   Ref                           Materials\n================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nUnsupervised feature selection for outlier detection by modelling hierarchical value-feature couplings            ICDM                          2016   [#Pang2016Unsupervised]_      `[PDF] \u003Chttps:\u002F\u002Fopus.lib.uts.edu.au\u002Fbitstream\u002F10453\u002F107356\u002F4\u002FDSFS_ICDM2016.pdf>`_\nLearning homophily couplings from non-iid data for joint feature selection and noise-resilient outlier detection  IJCAI                         2017   [#Pang2017Learning]_          `[PDF] \u003Chttps:\u002F\u002Fwww.ijcai.org\u002Fproceedings\u002F2017\u002F0360.pdf>`_\n================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.13. Time Series Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=====================================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                                                            Venue                         Year   Ref                           Materials\n=====================================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nOutlier detection for temporal data: A survey                                                                                          TKDE                          2014   [#Gupta2014Outlier]_          `[PDF] \u003Chttps:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fwp-content\u002Fuploads\u002F2014\u002F01\u002Fgupta14_tkde.pdf>`_\nDetecting spacecraft anomalies using lstms and nonparametric dynamic thresholding                                                      KDD                           2018   [#Hundman2018Detecting]_      `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.04431.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fkhundman\u002Ftelemanom>`_\nTime-Series Anomaly Detection Service at Microsoft                                                                                     KDD                           2019   [#Ren2019Time]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.03821.pdf>`_\nRevisiting Time Series Outlier Detection: Definitions and Benchmarks                                                                   NeurIPS                       2021   [#Lai2021Revisiting]_         `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=r8IvOsnHchr>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods\u002Ftree\u002Fbenchmark>`_\nGraph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time Series                                                        ICLR                          2022   [#Dai2022Graph]_              `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=45L_dgP48Vd>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FEnyanDai\u002FGANF>`_\nDrift doesn't matter: dynamic decomposition with diffusion reconstruction for unstable multivariate time series anomaly detection      NeurIPS                       2023   [#Wang2023Drift]_             `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=aW5bSuduF1>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FForestsKing\u002FD3R>`_\n=====================================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.14. Graph & Network Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  =============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                          Year   Ref                           Materials\n=================================================================================================  =============================  =====  ============================  ==========================================================================================================================================================================\nGraph based anomaly detection and description: a survey                                            DMKD                           2015   [#Akoglu2015Graph]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1404.4679.pdf>`_\nAnomaly detection in dynamic networks: a survey                                                    WIREs Computational Statistic  2015   [#Ranshous2015Anomaly]_       `[PDF] \u003Chttps:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Fpdf\u002F10.1002\u002Fwics.1347>`_\nOutlier detection in graphs: On the impact of multiple graph models                                ComSIS                         2019   [#Campos2019Outlier]_         `[PDF] \u003Chttp:\u002F\u002Fwww.comsis.org\u002Fpdf.php?id=wims-8671>`_\nA Comprehensive Survey on Graph Anomaly Detection with Deep Learning                               TKDE                           2021   [#Ma2021A]_                   `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.07178.pdf>`_\n=================================================================================================  =============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.15. Key Algorithms\n^^^^^^^^^^^^^^^^^^^\n\nAll these algorithms are available in `Python Outlier Detection (PyOD) \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_.\n\n====================  =================================================================================================  =================================  =====  ===========================  ==============================================================================================================================================================================================\nAbbreviation          Paper Title                                                                                        Venue                              Year   Ref                          Materials\n====================  =================================================================================================  =================================  =====  ===========================  ==============================================================================================================================================================================================\nkNN                   Efficient algorithms for mining outliers from large data sets                                      ACM SIGMOD Record                  2000   [#Ramaswamy2000Efficient]_   `[PDF] \u003Chttps:\u002F\u002Fwebdocs.cs.ualberta.ca\u002F~zaiane\u002Fpub\u002Fcheck\u002Framaswamy.pdf>`_\nKNN                   Fast outlier detection in high dimensional spaces                                                  PKDD                               2002   [#Angiulli2002Fast]_         `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fprofile\u002FClara_Pizzuti\u002Fpublication\u002F220699183_Fast_Outlier_Detection_in_High_Dimensional_Spaces\u002Flinks\u002F542ea6a60cf27e39fa9635c6.pdf>`_\nLOF                   LOF: identifying density-based local outliers                                                      ACM SIGMOD Record                  2000   [#Breunig2000LOF]_           `[PDF] \u003Chttp:\u002F\u002Fwww.dbs.ifi.lmu.de\u002FPublikationen\u002FPapers\u002FLOF.pdf>`_\nIForest               Isolation forest                                                                                   ICDM                               2008   [#Liu2008Isolation]_         `[PDF] \u003Chttps:\u002F\u002Fcs.nju.edu.cn\u002Fzhouzh\u002Fzhouzh.files\u002Fpublication\u002Ficdm08b.pdf>`_\nOCSVM                 Estimating the support of a high-dimensional distribution                                          Neural Computation                 2001   [#Scholkopf2001Estimating]_  `[PDF] \u003Chttp:\u002F\u002Fusers.cecs.anu.edu.au\u002F~williams\u002Fpapers\u002FP132.pdf>`_\nAutoEncoder Ensemble  Outlier detection with autoencoder ensembles                                                       SDM                                2017   [#Chen2017Outlier]_          `[PDF] \u003Chttp:\u002F\u002Fsaketsathe.net\u002Fdownloads\u002Fautoencode.pdf>`_\nCOPOD                 COPOD: Copula-Based Outlier Detection                                                              ICDM                               2020   [#Li2020COPOD]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2009.09463>`_\nECOD                  Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions                   TKDE                               2022   [#Li2021ECOD]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2201.00382>`_\n====================  =================================================================================================  =================================  =====  ===========================  ==============================================================================================================================================================================================\n\n4.16. Overview & Survey Papers\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\nPapers are sorted by the publication year.\n\n======================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                                             Venue                         Year   Ref                           Materials\n======================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nA survey of outlier detection methodologies                                                                             ARTIF INTELL REV              2004   [#Hodge2004A]_                `[PDF] \u003Chttps:\u002F\u002Fwww-users.cs.york.ac.uk\u002Fvicky\u002FmyPapers\u002FHodge+Austin_OutlierDetection_AIRE381.pdf>`_\nAnomaly detection: A survey                                                                                             CSUR                          2009   [#Chandola2009Anomaly]_       `[PDF] \u003Chttps:\u002F\u002Fwww.vs.inf.ethz.ch\u002Fedu\u002FHS2011\u002FCPS\u002Fpapers\u002Fchandola09_anomaly-detection-survey.pdf>`_\nA meta-analysis of the anomaly detection problem                                                                        Preprint                      2015   [#Emmott2015A]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1503.01158.pdf>`_\nOn the evaluation of unsupervised outlier detection: measures, datasets, and an empirical study                         DMKD                          2016   [#Campos2016On]_              `[HTML] \u003Chttps:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10618-015-0444-8>`_, `[SLIDES] \u003Chttps:\u002F\u002Fimada.sdu.dk\u002F~zimek\u002FInvitedTalks\u002FTUVienna-2016-05-18-outlier-evaluation.pdf>`_\nA comparative evaluation of unsupervised anomaly detection algorithms for multivariate data                             PLOS ONE                      2016   [#Goldstein2016A]_            `[PDF] \u003Chttp:\u002F\u002Fjournals.plos.org\u002Fplosone\u002Farticle\u002Ffile?id=10.1371\u002Fjournal.pone.0152173&type=printable>`_\nA comparative evaluation of outlier detection algorithms: Experiments and analyses                                      Pattern Recognition           2018   [#Domingues2018A]_            `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F320025854_A_comparative_evaluation_of_outlier_detection_algorithms_Experiments_and_analyses>`_\nResearch Issues in Outlier Detection                                                                                    Book Chapter                  2019   [#Suri2019Research]_          `[HTML] \u003Chttps:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-030-05127-3_3>`_\nQuantitative comparison of unsupervised anomaly detection algorithms for intrusion detection                            SAC                           2019   [#Falcao2019Quantitative]_    `[HTML] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3297314>`_\nProgress in Outlier Detection Techniques: A Survey                                                                      IEEE Access                   2019   [#Wang2019Progress]_          `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fiel7\u002F6287639\u002F8600701\u002F08786096.pdf>`_\nDeep learning for anomaly detection: A survey                                                                           Preprint                      2019   [#Chalapathy2019Deep]_        `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1901.03407.pdf>`_\nAnomalous Instance Detection in Deep Learning: A Survey                                                                 Tech Report                   2020   [#Bulusu2020Deep]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.06979.pdf>`_\nAnomaly detection in univariate time-series: A survey on the state-of-the-art                                           Preprint                      2020   [#Braei2020Anomaly]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2004.00433.pdf>`_\nDeep Learning for Anomaly Detection: A Review                                                                           CSUR                          2021   [#Pang2020Deep]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2007.02500.pdf>`_\nA Comprehensive Survey on Graph Anomaly Detection with Deep Learning                                                    TKDE                          2021   [#Ma2021A]_                   `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.07178.pdf>`_\nRevisiting Time Series Outlier Detection: Definitions and Benchmarks                                                    NeurIPS                       2021   [#Lai2021Revisiting]_         `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=r8IvOsnHchr>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods\u002Ftree\u002Fbenchmark>`_\nA Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution Detection: Solutions and Future Challenges      Preprint                      2021   [#Salehi2021A]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2110.14051.pdf>`_\nSelf-Supervised Anomaly Detection: A Survey and Outlook                                                                 Preprint                      2022   [#Hojjati2022Self]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2205.05173.pdf>`_\nWeakly supervised anomaly detection: A survey                                                                           Preprint                      2023   [#Jiang2023weakly]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2302.04549>`_, `[PDF] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fwsad>`_\nAD-LLM: Benchmarking Large Language Models for Anomaly Detection                                                        Preprint                      2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\nLarge Language Models for Anomaly and Out-of-Distribution Detection: A Survey                                           Preprint                      2024   [#Xu2024LLMsurvey]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2409.01980>`_\n======================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n4.17. Isolation-Based Methods\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                            Materials\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\nIsolation forest                                                                                   ICDM                          2008   [#Liu2008Isolation]_           `[PDF] \u003Chttps:\u002F\u002Fcs.nju.edu.cn\u002Fzhouzh\u002Fzhouzh.files\u002Fpublication\u002Ficdm08b.pdf>`_\nIsolation‐based anomaly detection using nearest‐neighbor ensembles                                  Computational Intelligence    2018   [#Bandaragoda2018Isolation]_   `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F322359651_Isolation-based_anomaly_detection_using_nearest-neighbor_ensembles_iNNE>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fzhuye88\u002FiNNE>`_\nExtended Isolation Forest                                                                          TKDE                          2019   [#Hariri2019Extended]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.02141.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fsahandha\u002Feif>`_\nIsolation Distributional Kernel: A New Tool for Kernel based Anomaly Detection                     KDD                           2020   [#Ting2020Isolation]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2009.12196.pdf>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FIsolationKernel\u002FCodes\u002Ftree\u002Fmain\u002FIDK>`_\nDeep Isolation Forest for Anomaly Detection                                                        TKDE                          2023   [#Xu2023Deep]_                 `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06602>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002Fxuhongzuo\u002Fdeep-iforest>`_\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n\n\n4.18. Fairness and Bias in Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nA Framework for Determining the Fairness of Outlier Detection                                      ECAI                          2020   [#Davidson2020A]_             `[PDF] \u003Chttps:\u002F\u002Fweb.cs.ucdavis.edu\u002F~davidson\u002FPublications\u002FTR.pdf>`_\nFAIROD: Fairness-aware Outlier Detection                                                           AIES                          2021   [#Shekhar2021FAIROD]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.03063.pdf>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n\n4.19. Outlier Detection Applications\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n========================    =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nField                       Paper Title                                                                                        Venue                         Year   Ref                           Materials\n========================    =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n**Security**                A survey of distance and similarity measures used within network intrusion anomaly detection       IEEE Commun. Surv. Tutor.     2015   [#WellerFahy2015A]_           `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?arnumber=6853338>`_\n**Security**                Anomaly-based network intrusion detection: Techniques, systems and challenges                      Computers & Security          2009   [#GarciaTeodoro2009Anomaly]_  `[PDF] \u003Chttps:\u002F\u002Fwww2.cs.uh.edu\u002F~acl\u002Fcs6397\u002FDoc\u002F2009-Elsevier-Anomaly-based%20network%20intrusion%20detection.pdf>`_\n**Finance**                 A survey of anomaly detection techniques in financial domain                                       Future Gener Comput Syst      2016   [#Ahmed2016A]_                `[PDF] \u003Chttps:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0167739X15000023>`_\n**Traffic**                 Outlier Detection in Urban Traffic Data                                                            WIMS                          2018   [#Djenouri2018Outlier]_       `[PDF] \u003Chttp:\u002F\u002Fdss.sdu.dk\u002Fassets\u002Ffpd-lof\u002Foutlier-detection-urban.pdf>`_\n**Social Media**            A survey on social media anomaly detection                                                         SIGKDD Explorations           2016   [#Yu2016A]_                   `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1601.01102.pdf>`_\n**Social Media**            GLAD: group anomaly detection in social media analysis                                             TKDD                          2015   [#Yu2015Glad]_                `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1410.1940.pdf>`_\n**Machine Failure**         Detecting the Onset of Machine Failure Using Anomaly Detection Methods                             DAWAK                         2019   [#Riazi2019Detecting]_        `[PDF] \u003Chttps:\u002F\u002Fwebdocs.cs.ualberta.ca\u002F~zaiane\u002Fpostscript\u002FDAWAK19.pdf>`_\n**Video Surveillance**      AnomalyNet: An anomaly detection network for video surveillance                                    TIFS                          2019   [#Zhou2019AnomalyNet]_        `[IEEE] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8649753>`_, `Code \u003Chttps:\u002F\u002Fgithub.com\u002Fjoeyzhouty\u002FAnomalyNet>`_\n========================    =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.20. Outlier Detection in Other fields\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n============== =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nField          Paper Title                                                                                        Venue                         Year   Ref                           Materials\n============== =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n**Text**       Outlier detection for text data                                                                    SDM                           2017   [#Kannan2017Outlier]_         `[PDF] \u003Chttps:\u002F\u002Fepubs.siam.org\u002Fdoi\u002Fpdf\u002F10.1137\u002F1.9781611974973.55>`_\n============== =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.21. Interactive Outlier Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                        Venue                         Year   Ref                           Materials\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nLearning On-the-Job to Re-rank Anomalies from Top-1 Feedback                                       SDM                           2019   [#Lamba2019Learning]_         `[PDF] \u003Chttps:\u002F\u002Fepubs.siam.org\u002Fdoi\u002Fpdf\u002F10.1137\u002F1.9781611975673.69>`_\nInteractive anomaly detection on attributed networks                                               WSDM                          2019   [#Ding2019Interactive]_       `[PDF] \u003Chttp:\u002F\u002Fwww.public.asu.edu\u002F~jundongl\u002Fpaper\u002FWSDM19_GraphUCB.pdf>`_\neX2: a framework for interactive anomaly detection                                                 IUI Workshop                  2019   [#Arnaldo2019ex2]_            `[PDF] \u003Chttp:\u002F\u002Fceur-ws.org\u002FVol-2327\u002FIUI19WS-ESIDA-2.pdf>`_\nTripartite Active Learning for Interactive Anomaly Discovery                                       IEEE Access                   2019   [#Zhu2019Tripartite]_         `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?arnumber=8707963>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.22. Active Anomaly Detection\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPaper Title                                                                                         Venue                         Year   Ref                           Materials\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nActive learning for anomaly and rare-category detection                                             NeurIPS                       2005   [#Pelleg2005Active]_          `[PDF] \u003Chttp:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F2554-active-learning-for-anomaly-and-rare-category-detection.pdf>`_\nOutlier detection by active learning                                                                SIGKDD                        2006   [#Abe2006Outlier]_            `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fprofile\u002FNaoki_Abe2\u002Fpublication\u002F221653343_Outlier_detection_by_active_learning\u002Flinks\u002F5441464a0cf2e6f0c0f60abb.pdf>`_\nActive Anomaly Detection via Ensembles: Insights, Algorithms, and Interpretability                  Preprint                      2019   [#Das2019Active]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1901.08930.pdf>`_\nMeta-AAD: Active Anomaly Detection with Deep Reinforcement Learning                                 ICDM                          2020   [#Zha2020Meta]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2009.07415.pdf>`_\nA3: Activation Anomaly Analysis                                                                     ECML-PKDD                     2020   [#Sperl2021A3]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.01801>`_, `[Code] \u003Chttps:\u002F\u002Fgithub.com\u002FFraunhofer-AISEC\u002FA3>`_\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n----\n\n5. Key Conferences\u002FWorkshops\u002FJournals\n-------------------------------------\n\n5.1. Conferences & Workshops\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\nKey data mining conference **deadlines**, **historical acceptance rates**, and more\ncan be found `data-mining-conferences \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fdata-mining-conferences>`_.\n\n\n`ACM International Conference on Knowledge Discovery and Data Mining (SIGKDD) \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fconferences>`_. **Note**: SIGKDD usually has an Outlier Detection Workshop (ODD), see `ODD 2021 \u003Chttps:\u002F\u002Foddworkshop.github.io\u002F>`_.\n\n`ACM International Conference on Management of Data (SIGMOD) \u003Chttps:\u002F\u002Fsigmod.org\u002F>`_\n\n`The Web Conference (WWW) \u003Chttps:\u002F\u002Fwww2018.thewebconf.org\u002F>`_\n\n`IEEE International Conference on Data Mining (ICDM) \u003Chttps:\u002F\u002Ficdm2024.org\u002F\u002F>`_\n\n`SIAM International Conference on Data Mining (SDM) \u003Chttps:\u002F\u002Fwww.siam.org\u002FConferences\u002FCM\u002FMain\u002Fsdm19>`_\n\n`IEEE International Conference on Data Engineering (ICDE) \u003Chttps:\u002F\u002Ficde2018.org\u002F>`_\n\n`ACM InternationalConference on Information and Knowledge Management (CIKM) \u003Chttp:\u002F\u002Fwww.cikmconference.org\u002F>`_\n\n`ACM International Conference on Web Search and Data Mining (WSDM) \u003Chttp:\u002F\u002Fwww.wsdm-conference.org\u002F2018\u002F>`_\n\n`The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD) \u003Chttp:\u002F\u002Fwww.ecmlpkdd2018.org\u002F>`_\n\n`The Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) \u003Chttp:\u002F\u002Fpakdd2019.medmeeting.org>`_\n\n5.2. Journals\n^^^^^^^^^^^^^\n\n`ACM Transactions on Knowledge Discovery from Data (TKDD) \u003Chttps:\u002F\u002Ftkdd.acm.org\u002F>`_\n\n`IEEE Transactions on Knowledge and Data Engineering (TKDE) \u003Chttps:\u002F\u002Fwww.computer.org\u002Fweb\u002Ftkde>`_\n\n`ACM SIGKDD Explorations Newsletter \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fexplorations>`_\n\n`Data Mining and Knowledge Discovery \u003Chttps:\u002F\u002Flink.springer.com\u002Fjournal\u002F10618>`_\n\n`Knowledge and Information Systems (KAIS) \u003Chttps:\u002F\u002Flink.springer.com\u002Fjournal\u002F10115>`_\n\n----\n\nReferences\n----------\n\n.. [#Abe2006Outlier] Abe, N., Zadrozny, B. and Langford, J., 2006, August. Outlier detection by active learning. In *Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining*, pp. 504-509, ACM.\n\n.. [#Aggarwal2013Outlier] Aggarwal, C.C., 2013. Outlier ensembles: position paper. *ACM SIGKDD Explorations Newsletter*\\ , 14(2), pp.49-58.\n\n.. [#Ahmed2016A] Ahmed, M., Mahmood, A.N. and Islam, M.R., 2016. A survey of anomaly detection techniques in financial domain. *Future Generation Computer Systems*\\ , 55, pp.278-288.\n\n.. [#Ahmad2017Unsupervised] Ahmad, S., Lavin, A., Purdy, S. and Agha, Z., 2017. Unsupervised real-time anomaly detection for streaming data. *Neurocomputing*, 262, pp.134-147.\n\n.. [#Akoglu2015Graph] Akoglu, L., Tong, H. and Koutra, D., 2015. Graph based anomaly detection and description: a survey. *Data Mining and Knowledge Discovery*\\ , 29(3), pp.626-688.\n\n.. [#Angiulli2002Fast] Angiulli, F. and Pizzuti, C., 2002, August. Fast outlier detection in high dimensional spaces. In *European Conference on Principles of Data Mining and Knowledge Discovery*, pp. 15-27.\n\n.. [#Arnaldo2019ex2] Arnaldo, I., Veeramachaneni, K. and Lam, M., 2019. ex2: a framework for interactive anomaly detection. In *ACM IUI Workshop on Exploratory Search and Interactive Data Analytics (ESIDA)*.\n\n.. [#Bahri2022automl] Bahri, M., Salutari, F., Putina, A. et al. AutoML: state of the art with a focus on anomaly detection, challenges, and research directions. *International Journal of Data Science and Analytics*  (2022).\n\n.. [#Bandaragoda2018Isolation] Bandaragoda, Tharindu R., Kai Ming Ting, David Albrecht, Fei Tony Liu, Ye Zhu, and Jonathan R. Wells. \"Isolation‐based anomaly detection using nearest‐neighbor ensembles.\" *Computational Intelligence* 34, no. 4 (2018): 968-998.\n\n.. [#Bhatia2020MIDAS] Bhatia, S., Hooi, B., Yoon, M., Shin, K. and Faloutsos. C., 2020. MIDAS: Microcluster-Based Detector of Anomalies in Edge Streams. In *AAAI Conference on Artificial Intelligence (AAAI)*.\n\n.. [#Braei2020Anomaly] Braei, M. and Wagner, S., 2020. Anomaly detection in univariate time-series: A survey on the state-of-the-art. arXiv preprint arXiv:2004.00433.\n\n.. [#Breunig2000LOF] Breunig, M.M., Kriegel, H.P., Ng, R.T. and Sander, J., 2000, May. LOF: identifying density-based local outliers. *ACM SIGMOD Record*\\ , 29(2), pp. 93-104.\n\n.. [#Bulusu2020Deep] Bulusu, S., Kailkhura, B., Li, B., Varshney, P. and Song, D., 2020. Anomalous instance detection in deep learning: A survey (No. LLNL-CONF-808677). Lawrence Livermore National Lab.(LLNL), Livermore, CA (United States).\n\n.. [#Campos2016On] Campos, G.O., Zimek, A., Sander, J., Campello, R.J., Micenková, B., Schubert, E., Assent, I. and Houle, M.E., 2016. On the evaluation of unsupervised outlier detection: measures, datasets, and an empirical study. *Data Mining and Knowledge Discovery*\\ , 30(4), pp.891-927.\n\n.. [#Campos2018An] Campos, G.O., Zimek, A. and Meira, W., 2018, June. An Unsupervised Boosting Strategy for Outlier Detection Ensembles. In *Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 564-576)*. Springer, Cham.\n\n.. [#Campos2019Outlier] Campos, G.O., Moreira, E., Meira Jr, W. and Zimek, A., 2019. Outlier Detection in Graphs: A Study on the Impact of Multiple Graph Models. *Computer Science & Information Systems*, 16(2).\n\n.. [#Castellani2020Siamese] Castellani, A., Schmitt, S., Squartini, S., 2020. Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning. In *IEEE Transactions on Industrial Informatics*.\n\n.. [#Chalapathy2019Deep] Chalapathy, R. and Chawla, S., 2019. Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407.\n\n.. [#Chandola2009Anomaly] Chandola, V., Banerjee, A. and Kumar, V., 2009. Anomaly detection: A survey. *ACM computing surveys* , 41(3), p.15.\n\n.. [#Chawla2011Anomaly] Chawla, S. and Chandola, V., 2011, Anomaly Detection: A Tutorial. *Tutorial at ICDM 2011*.\n\n.. [#Chen2017Outlier] Chen, J., Sathe, S., Aggarwal, C. and Turaga, D., 2017, June. Outlier detection with autoencoder ensembles. *SIAM International Conference on Data Mining*, pp. 90-98. Society for Industrial and Applied Mathematics.\n\n.. [#Dai2022Graph] Dai, E. and Chen, J., 2022. Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time Series. International Conference on Learning Representations (ICLR).\n\n.. [#Dang2014Discriminative] Dang, X.H., Assent, I., Ng, R.T., Zimek, A. and Schubert, E., 2014, March. Discriminative features for identifying and interpreting outliers. In *International Conference on Data Engineering (ICDE)*. IEEE.\n\n.. [#Das2019Active] Das, S., Islam, M.R., Jayakodi, N.K. and Doppa, J.R., 2019. Active Anomaly Detection via Ensembles: Insights, Algorithms, and Interpretability. arXiv preprint arXiv:1901.08930.\n\n.. [#Davidson2020A] Davidson, I. and Ravi, S.S., 2020. A framework for determining the fairness of outlier detection. In Proceedings of the 24th European Conference on Artificial Intelligence (ECAI2020) (Vol. 2029).\n\n.. [#Ding2019Interactive] Ding, K., Li, J. and Liu, H., 2019, January. Interactive anomaly detection on attributed networks. In *Proceedings of the Twelfth ACM International Conference on Web Search and Data Mining*, pp. 357-365. ACM.\n\n.. [#Djenouri2018Outlier] Djenouri, Y. and Zimek, A., 2018, June. Outlier detection in urban traffic data. In *Proceedings of the 8th International Conference on Web Intelligence, Mining and Semantics*. ACM.\n\n.. [#Domingues2018A] Domingues, R., Filippone, M., Michiardi, P. and Zouaoui, J., 2018. A comparative evaluation of outlier detection algorithms: Experiments and analyses. *Pattern Recognition*, 74, pp.406-421.\n\n.. [#Emmott2015A] Emmott, A., Das, S., Dietterich, T., Fern, A. and Wong, W.K., 2015. A meta-analysis of the anomaly detection problem. arXiv preprint arXiv:1503.01158.\n\n.. [#Ergen2019Unsupervised] Ergen, T. and Kozat, S.S., 2019. Unsupervised Anomaly Detection With LSTM Neural Networks. *IEEE transactions on neural networks and learning systems*.\n\n.. [#Falcao2019Quantitative] Falcão, F., Zoppi, T., Silva, C.B.V., Santos, A., Fonseca, B., Ceccarelli, A. and Bondavalli, A., 2019, April. Quantitative comparison of unsupervised anomaly detection algorithms for intrusion detection. In *Proceedings of the 34th ACM\u002FSIGAPP Symposium on Applied Computing*, (pp. 318-327). ACM.\n\n.. [#GarciaTeodoro2009Anomaly] Garcia-Teodoro, P., Diaz-Verdejo, J., Maciá-Fernández, G. and Vázquez, E., 2009. Anomaly-based network intrusion detection: Techniques, systems and challenges. *Computers & Security*\\ , 28(1-2), pp.18-28.\n\n.. [#Goldstein2016A] Goldstein, M. and Uchida, S., 2016. A comparative evaluation of unsupervised anomaly detection algorithms for multivariate data. *PloS one*\\ , 11(4), p.e0152173.\n\n.. [#Gupta2014Outlier] Gupta, M., Gao, J., Aggarwal, C.C. and Han, J., 2014. Outlier detection for temporal data: A survey. *IEEE Transactions on Knowledge and Data Engineering*\\ , 26(9), pp.2250-2267.\n\n.. [#Hariri2019Extended] Hariri, S., Kind, M.C. and Brunner, R.J., 2019. Extended Isolation Forest. *IEEE Transactions on Knowledge and Data Engineering*.\n\n.. [#Hendrycks2019Deep] Hendrycks, D., Mazeika, M. and Dietterich, T.G., 2019. Deep Anomaly Detection with Outlier Exposure. International Conference on Learning Representations (ICLR).\n\n.. [#Hodge2004A] Hodge, V. and Austin, J., 2004. A survey of outlier detection methodologies. *Artificial intelligence review*\\ , 22(2), pp.85-126.\n\n.. [#Hojjati2022Self] Hojjati, H., Ho, T.K.K. and Armanfard, N., 2022. Self-Supervised Anomaly Detection: A Survey and Outlook. arXiv preprint arXiv:2205.05173.\n\n.. [#Hundman2018Detecting] Hundman, K., Constantinou, V., Laporte, C., Colwell, I. and Soderstrom, T., 2018, July. Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding. In *Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining*, (pp. 387-395). ACM.\n\n.. [#Kannan2017Outlier] Kannan, R., Woo, H., Aggarwal, C.C. and Park, H., 2017, June. Outlier detection for text data. In *Proceedings of the 2017 SIAM International Conference on Data Mining*, pp. 489-497. Society for Industrial and Applied Mathematics. \n\n.. [#Kriegel2010Outlier] Kriegel, H.P., Kröger, P. and Zimek, A., 2010. Outlier detection techniques. *Tutorial at ACM SIGKDD 2010*.\n\n.. [#Jiang2023adgym] Jiang, M., Hou, C., Zheng, A., Han, S., Huang, H., Wen, Q., Hu, X. and Zhao, Y., 2023. ADGym: Design Choices for Deep Anomaly Detection. *NeurIPS*, Datasets and Benchmarks Track.\n\n.. [#Jiang2023weakly] Jiang, M., Hou, C., Zheng, A., Hu, X., Han, S., Huang, H., He, X., Yu, P.S. and Zhao, Y., 2023. Weakly supervised anomaly detection: A survey. arXiv preprint arXiv:2302.04549.\n\n.. [#Jiang2025MMAD] Jiang, X., Li, J., Deng, H., Liu, Y., Gao, B., Zhou, Y., Li, J., Wang, C. and Zheng, F., 2025. MMAD: A Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection. In *ICLR 2025*.\n\n.. [#Lai2021Revisiting] Lai, K.H., Zha, D., Xu, J., Zhao, Y., Wang, G. and Hu, X., 2021. Revisiting Time Series Outlier Detection: Definitions and Benchmarks. *NeurIPS*, Datasets and Benchmarks Track.\n\n.. [#Lamba2019Learning] Lamba, H. and Akoglu, L., 2019, May. Learning On-the-Job to Re-rank Anomalies from Top-1 Feedback. In *Proceedings of the 2019 SIAM International Conference on Data Mining (SDM)*, pp. 612-620. Society for Industrial and Applied Mathematics.\n\n.. [#Lavin2015Evaluating] Lavin, A. and Ahmad, S., 2015, December. Evaluating Real-Time Anomaly Detection Algorithms--The Numenta Anomaly Benchmark. In *2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA)* (pp. 38-44). IEEE.\n\n.. [#Lazarevic2008Data] Lazarevic, A., Banerjee, A., Chandola, V., Kumar, V. and Srivastava, J., 2008, September. Data mining for anomaly detection. *Tutorial at ECML PKDD 2008*.\n\n.. [#Li2019MAD] Li, D., Chen, D., Jin, B., Shi, L., Goh, J. and Ng, S.K., 2019, September. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks. In *International Conference on Artificial Neural Networks* (pp. 703-716). Springer, Cham.\n\n.. [#Li2020COPOD] Li, Z., Zhao, Y., Botta, N., Ionescu, C. and Hu, X. COPOD: Copula-Based Outlier Detection. *IEEE International Conference on Data Mining (ICDM)*, 2020.\n\n.. [#Li2021ECOD] Li, Z., Zhao, Y., Hu, X., Botta, N., Ionescu, C. and Chen, H. G. ECOD: Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions. *IEEE Transactions on Knowledge and Data Engineering (TKDE)*, 2022.\n\n.. [#Li2023XAD] Li, Z., Zhu, Y. and Van Leeuwen, M., 2023. A survey on explainable anomaly detection. *ACM Transactions on Knowledge Discovery from Data*, 18(1), pp.1-54.\n\n.. [#Li2023QCAD] Li, Z. and Van Leeuwen, M., 2023. Explainable contextual anomaly detection using quantile regression forests. *Data Mining and Knowledge Discovery*, 37(6), pp.2517-2563.\n\n.. [#Li2024NLPADBench] Li, Y., Li, J., Xiao, Z., Yang, T., Nian, Y., Hu, X. and Zhao, Y. \"NLP-ADBench: NLP Anomaly Detection Benchmark,\" arXiv preprint arXiv:2412.04784.\n\n.. [#Liu2008Isolation] Liu, F.T., Ting, K.M. and Zhou, Z.H., 2008, December. Isolation forest. In *International Conference on Data Mining*\\ , pp. 413-422. IEEE.\n\n.. [#Liu2018Clustering] Liu, H., Li, J., Wu, Y. and Fu, Y., 2019. Clustering with outlier removal. *IEEE transactions on knowledge and data engineering*.\n\n.. [#Liu2018Contextual] Liu, N., Shin, D. and Hu, X., 2017. Contextual outlier interpretation. In *International Joint Conference on Artificial Intelligence (IJCAI-18)*, pp.2461-2467.\n\n.. [#Liu2019Generative] Liu, Y., Li, Z., Zhou, C., Jiang, Y., Sun, J., Wang, M. and He, X., 2019. Generative Adversarial Active Learning for Unsupervised Outlier Detection. *IEEE transactions on knowledge and data engineering*.\n\n.. [#Li2020AutoOD] Li, Y., Chen, Z., Zha, D., Zhou, K., Jin, H., Chen, H. and Hu, X., 2020. AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning. *ICDE*.\n\n.. [#Liu2022Benchmarking] Liu, K., Dou, Y., Zhao, Y., Ding, X., Hu, X., Zhang, R., Ding, K., Chen, C., Peng, H., Shu, K., Sun, L., Li, J., Chen, G.H., Jia, Z., and Yu, P.S. 2022. Benchmarking Node Outlier Detection on Graphs. arXiv preprint arXiv:2206.10071.\n.. [#Liu2024Elephant] Liu, Q. and Paparrizos, J., 2024. The Elephant in the Room: Towards A Reliable Time-Series Anomaly Detection Benchmark. *NeurIPS 2024 Datasets and Benchmarks Track*.\n\n.. [#Ma2021A] Ma, X., Wu, J., Xue, S., Yang, J., Zhou, C., Sheng, Q.Z., Xiong, H. and Akoglu, L., 2021. A comprehensive survey on graph anomaly detection with deep learning. *IEEE Transactions on Knowledge and Data Engineering*.\n\n.. [#Macha2018Explaining] Macha, M. and Akoglu, L., 2018. Explaining anomalies in groups with characterizing subspace rules. Data Mining and Knowledge Discovery, 32(5), pp.1444-1480.\n\n.. [#Manzoor2018Outlier] Manzoor, E., Lamba, H. and Akoglu, L. Outlier Detection in Feature-Evolving Data Streams. In *24th ACM SIGKDD International Conference on Knowledge Discovery and Data mining (KDD)*. 2018.\n\n.. [#Mendiratta2017Anomaly] Mendiratta, B.V., 2017. Anomaly Detection in Networks. *Tutorial at ACM SIGKDD 2017*.\n\n.. [#Micenkova2015Learning] Micenková, B., McWilliams, B. and Assent, I., 2015. Learning representations for outlier detection on a budget. arXiv preprint arXiv:1507.08104.\n\n.. [#Gupta2018Beyond] Gupta, N., Eswaran, D., Shah, N., Akoglu, L. and Faloutsos, C., Beyond Outlier Detection: LookOut for Pictorial Explanation. *ECML PKDD 2018*.\n\n.. [#Han2022Adbench] Han, S., Hu, X., Huang, H., Jiang, M. and Zhao, Y., 2022. ADBench: Anomaly Detection Benchmark. arXiv preprint arXiv:2206.09426.\n\n.. [#Pang2016Unsupervised] Pang, G., Cao, L., Chen, L. and Liu, H., 2016, December. Unsupervised feature selection for outlier detection by modelling hierarchical value-feature couplings. In Data Mining (ICDM), 2016 IEEE 16th International Conference on (pp. 410-419). IEEE.\n\n.. [#Pang2017Learning] Pang, G., Cao, L., Chen, L. and Liu, H., 2017, August. Learning homophily couplings from non-iid data for joint feature selection and noise-resilient outlier detection. In Proceedings of the 26th International Joint Conference on Artificial Intelligence (pp. 2585-2591). AAAI Press.\n\n.. [#Pang2018Learning] Pang, G., Cao, L., Chen, L. and Liu, H., 2018. Learning Representations of Ultrahigh-dimensional Data for Random Distance-based Outlier Detection. In *24th ACM SIGKDD International Conference on Knowledge Discovery and Data mining (KDD)*. 2018.\n\n.. [#Pang2020Deep] Pang, G., Shen, C., Cao, L. and Hengel, A.V.D., 2021. Deep Learning for Anomaly Detection: A Review. ACM Computing Surveys (CSUR), 54(2), pp.1-38.\n\n.. [#Pang2021Deep] Pang, G., Cao, L. and Aggarwal, C., 2021. Deep Learning for Anomaly Detection. *Tutorial at WSDM 2021*.\n\n.. [#Pang2021Toward] Pang, G. and Aggarwal, C., 2021, August. Toward explainable deep anomaly detection. In *KDD* (pp. 4056-4057).\n\n.. [#Pang2023recent] Guansong Pang, Joey Tianyi Zhou, Radu Tudor Ionescu, Yu Tian, and Kihyuk Sohn. \"Recent Advances in Anomaly Detection\". In: *CVPR'23*. Vancouver, Canada.\n\n.. [#Park2025LLMTSAD] Park, J., Jung, K., Lee, D., Lee, H., Gwak, D., Park, C., Choo, J. and Cho, J., 2025. Delving into Large Language Models for Effective Time-Series Anomaly Detection. In *NeurIPS 2025*.\n\n.. [#Pelleg2005Active] Pelleg, D. and Moore, A.W., 2005. Active learning for anomaly and rare-category detection. In *Advances in neural information processing systems*\\, pp. 1073-1080.\n\n.. [#Radovanovic2015Reverse] Radovanović, M., Nanopoulos, A. and Ivanović, M., 2015. Reverse nearest neighbors in unsupervised distance-based outlier detection. *IEEE transactions on knowledge and data engineering*, 27(5), pp.1369-1382.\n\n.. [#Ramaswamy2000Efficient] Ramaswamy, S., Rastogi, R. and Shim, K., 2000, May. Efficient algorithms for mining outliers from large data sets. *ACM SIGMOD Record*\\ , 29(2), pp. 427-438.\n\n.. [#Ranshous2015Anomaly] Ranshous, S., Shen, S., Koutra, D., Harenberg, S., Faloutsos, C. and Samatova, N.F., 2015. Anomaly detection in dynamic networks: a survey. Wiley Interdisciplinary Reviews: Computational Statistics, 7(3), pp.223-247.\n\n.. [#Ren2019Time] Ren, H., Xu, B., Wang, Y., Yi, C., Huang, C., Kou, X., Xing, T., Yang, M., Tong, J. and Zhang, Q., 2019. Time-Series Anomaly Detection Service at Microsoft. In *Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining*. ACM.\n\n.. [#Riazi2019Detecting] Riazi, M., Zaiane, O., Takeuchi, T., Maltais, A., Günther, J. and Lipsett, M., Detecting the Onset of Machine Failure Using Anomaly Detection Methods.\n\n.. [#Ro2015Outlier] Ro, K., Zou, C., Wang, Z. and Yin, G., 2015. Outlier detection for high-dimensional data. *Biometrika*, 102(3), pp.589-599.\n\n.. [#Salehi2018A] Salehi, Mahsa & Rashidi, Lida. (2018). A Survey on Anomaly detection in Evolving Data: [with Application to Forest Fire Risk Prediction]. *ACM SIGKDD Explorations Newsletter*. 20. 13-23.\n\n.. [#Salehi2021A] Salehi, M., Mirzaei, H., Hendrycks, D., Li, Y., Rohban, M.H., Sabokrou, M., 2021. A Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution Detection: Solutions and Future Challenges. arXiv preprint arXiv:2110.14051.\n\n.. [#Scholkopf2001Estimating] Schölkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J. and Williamson, R.C., 2001. Estimating the support of a high-dimensional distribution. *Neural Computation*, 13(7), pp.1443-1471.\n\n.. [#Sehwag2021SSD] Sehwag, V., Chiang, M., Mittal, P., 2021. SSD: A Unified Framework for Self-Supervised Outlier Detection. *International Conference on Learning Representations (ICLR)*.\n\n.. [#Shekhar2021FAIROD] Shekhar, S., Shah, N. and Akoglu, L., 2021. FAIROD: Fairness-aware Outlier Detection. AAAI\u002FACM Conference on AI, Ethics, and Society (AIES).\n\n.. [#Siddiqui2019Sequential] Siddiqui, M.A., Fern, A., Dietterich, T.G. and Wong, W.K., 2019. Sequential Feature Explanations for Anomaly Detection. *ACM Transactions on Knowledge Discovery from Data (TKDD)*, 13(1), p.1.\n\n.. [#Sperl2021A3] Sperl, P., Schulze, J.-P., and Böttinger, K., 2021. Activation Anomaly Analysis. *European Conference on Machine Learning and Data Mining (ECML-PKDD) 2020*.\n\n.. [#Suri2019Research] Suri, N.R. and Athithan, G., 2019. Research Issues in Outlier Detection. In *Outlier Detection: Techniques and Applications*, pp. 29-51. Springer, Cham.\n\n.. [#Tang2015Mining] Tang, G., Pei, J., Bailey, J. and Dong, G., 2015. Mining multidimensional contextual outliers from categorical relational data. *Intelligent Data Analysis*, 19(5), pp.1171-1192.\n\n.. [#Tang2023GADBench] Tang, J., Hua, F., Gao, Z., Zhao, P. and Li, J., 2023. GADBench: Revisiting and Benchmarking Supervised Graph Anomaly Detection. *NeurIPS*, Datasets and Benchmarks Track.\n\n.. [#Ting2018Which] Ting, KM., Aryal, S. and Washio, T., 2018, Which Anomaly Detector should I use? *Tutorial at ICDM 2018*.\n\n.. [#Ting2020Isolation] Ting, Kai Ming, Bi-Cun Xu, Takashi Washio, and Zhi-Hua Zhou. \"Isolation Distributional Kernel: A New Tool for Kernel based Anomaly Detection.\" In *Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining*, pp. 198-206. 2020.\n\n.. [#Wang2019Effective] Wang, S., Zeng, Y., Liu, X., Zhu, E., Yin, J., Xu, C. and Kloft, M., 2019. Effective End-to-end Unsupervised Outlier Detection via Inlier Priority of Discriminative Network. In *33rd Conference on Neural Information Processing Systems*.\n\n.. [#Wang2019Progress] Wang, H., Bah, M.J. and Hammad, M., 2019. Progress in Outlier Detection Techniques: A Survey. *IEEE Access*, 7, pp.107964-108000.\n\n.. [#Wang2020Deep] Wang, R., Nie, K., Chang, Y. J., Gong, X., Wang, T., Yang, Y., Long, B.,  2020. Deep Learning for Anomaly Detection. *Tutorial at KDD 2020*.\n\n.. [#WellerFahy2015A] Weller-Fahy, D.J., Borghetti, B.J. and Sodemann, A.A., 2015. A survey of distance and similarity measures used within network intrusion anomaly detection. *IEEE Communications Surveys & Tutorials*\\ , 17(1), pp.70-91.\n\n.. [#Xu2021Beyond] Xu, H., Wang, Y., Jian, S., Huang, Z., Wang, Y., Liu, N. and Li, F., 2021, April. Beyond Outlier Detection: Outlier Interpretation by Attention-Guided Triplet Deviation Network. In *Proceedings of the Web Conference* 2021 (pp. 1328-1339).\n\n.. [#Xu2023Deep] Xu, H., Pang, G., Wang, Y., Wang, Y., 2023. Deep Isolation Forest for Anomaly Detection. *IEEE Transactions on Knowledge and Data Engineering*. \n\n.. [#Xu2023Fascinating] Xu, H., Wang, Y., Wei, J., Jian, S., Li, Y., Liu, N., 2023. Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly Detection with Scale Learning. *International Conference on Machine Learning (ICML)*.\n\n.. [#Xu2024LLMsurvey] Xu, R. and Ding, K., 2024. Large language models for anomaly and out-of-distribution detection: A survey. arXiv preprint arXiv:2409.01980.\n\n.. [#Yang2024ADLLM] Yang, T., Nian, Y., Li, S., Xu, R., Li, Y., Li, J., Xiao, Z., Hu, X., Rossi, R., Ding, K., Hu, X. and Zhao, Y. \"AD-LLM: Benchmarking Large Language Models for Anomaly Detection.\" Findings of ACL, 2025.\n\n.. [#Yang2025ADAGENT] Yang, T., Liu, J., Siu, W., Wang, J., Qian, Z., Song, C., Cheng, C., Hu, X., and Zhao, Y. \"AD-AGENT: A Multi-agent Framework for End-to-end Anomaly Detection.\" Findings of IJCNLP-AACL, 2025.\n\n.. [#Yoon2019NETS] Yoon, S., Lee, J. G., & Lee, B. S., 2019. NETS: extremely fast outlier detection from a data stream via set-based processing. Proceedings of the VLDB Endowment, 12(11), 1303-1315.\n\n.. [#Yoon2020STARE] Yoon, S., Lee, J. G., & Lee, B. S., 2020. Ultrafast local outlier detection from a data stream with stationary region skipping. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 1181-1191)\n\n.. [#Yoon2021MDUAL] Yoon, S., Shin, Y., Lee, J. G., & Lee, B. S. (2021, June). Multiple dynamic outlier-detection from a data stream by exploiting duality of data and queries. In Proceedings of the 2021 International Conference on Management of Data (SIGMOD).\n\n.. [#Yoon2022ARCUS] Yoon, S., Lee, Y., Lee, J.G. and Lee, B.S., 2022, August. Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 2347-2357).\n\n.. [#Yu2015Glad] Yu, R., He, X. and Liu, Y., 2015. GLAD: group anomaly detection in social media analysis. *ACM Transactions on Knowledge Discovery from Data (TKDD)*\\ , 10(2), p.18.\n\n.. [#Yu2016A] Yu, R., Qiu, H., Wen, Z., Lin, C. and Liu, Y., 2016. A survey on social media anomaly detection. *ACM SIGKDD Explorations Newsletter*\\ , 18(1), pp.1-14.\n\n.. [#Yuan2024Trustworthy] Yuan, S., Xu, D. and Wu, X., 2024  Trustworthy Anomaly Detection. *Tutorial at SDM 2024*.\n\n.. [#Zha2020Meta] Zha, D., Lai, K.H., Wan, M. and Hu, X., 2020. Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning. *ICDM*.\n\n.. [#Zhao2018Xgbod] Zhao, Y. and Hryniewicki, M.K., 2018, July. XGBOD: improving supervised outlier detection with unsupervised representation learning. In *2018 International Joint Conference on Neural Networks (IJCNN)*. IEEE.\n\n.. [#Zhao2019LSCP] Zhao, Y., Nasrullah, Z., Hryniewicki, M.K. and Li, Z., 2019, May. LSCP: Locally selective combination in parallel outlier ensembles. In *Proceedings of the 2019 SIAM International Conference on Data Mining (SDM)*, pp. 585-593. Society for Industrial and Applied Mathematics.\n\n.. [#Zhao2019PYOD] Zhao, Y., Nasrullah, Z. and Li, Z., PyOD: A Python Toolbox for Scalable Outlier Detection. *Journal of Machine Learning Research*, 20, pp.1-7.\n\n.. [#Zhao2020Automating] Zhao, Y., Rossi, R.A. and Akoglu, L., 2021. Automatic Unsupervised Outlier Model Selection. *Advances in Neural Information Processing Systems*.\n\n.. [#Zhao2021SUOD] Zhao, Y., Hu, X., Cheng, C., Wang, C., Wan, C., Wang, W., Yang, J., Bai, H., Li, Z., Xiao, C. and Wang, Y., 2021. SUOD: Accelerating Large-scale Unsupervised Heterogeneous Outlier Detection. *Proceedings of Machine Learning and Systems (MLSys)*.\n\n.. [#Zhao2021TOD] Zhao, Y., Chen, G.H. and Jia, Z., 2021. TOD: Tensor-based Outlier Detection. arXiv preprint arXiv:2110.14007.\n\n.. [#Zhang2025LogSAD] Zhang, J., Wang, G., Jin, Y. and Huang, D., 2025. Towards Training-free Anomaly Detection with Vision and Language Foundation Models. In *CVPR 2025*.\n\n.. [#Zhou2019AnomalyNet] Zhou, J.T., Du, J., Zhu, H., Peng, X., Liu, Y. and Goh, R.S.M., 2019. AnomalyNet: An anomaly detection network for video surveillance. *IEEE Transactions on Information Forensics and Security*.\n\n.. [#Zhou2021Feature] Zhou, Y., Song, X., Zhang, Y., Liu, F., Zhu, C., & Liu, L. (2021). Feature encoding with autoencoders for weakly supervised anomaly detection. IEEE Transactions on Neural Networks and Learning Systems, 33(6), 2454-2465.\n\n.. [#Zhu2019Tripartite] Zhu, Y. and Yang, K., 2019. Tripartite Active Learning for Interactive Anomaly Discovery. *IEEE Access*.\n\n.. [#Zimek2012A] Zimek, A., Schubert, E. and Kriegel, H.P., 2012. A survey on unsupervised outlier detection in high‐dimensional numerical data. *Statistical Analysis and Data Mining: The ASA Data Science Journal*\\ , 5(5), pp.363-387.\n\n.. [#Zimek2014Ensembles] Zimek, A., Campello, R.J. and Sander, J., 2014. Ensembles for unsupervised outlier detection: challenges and research questions a position paper. *ACM Sigkdd Explorations Newsletter*\\ , 15(1), pp.11-22.\n\n.. [#Zong2018Deep] Zong, B., Song, Q., Min, M.R., Cheng, W., Lumezanu, C., Cho, D. and Chen, H., 2018. Deep autoencoding gaussian mixture model for unsupervised anomaly detection. International Conference on Learning Representations (ICLR).\n\n.. [#Wang2023Drift] Wang, C., Zhuang, Z., Qi, Q., Wang, J., Wang, X., Sun, H., & Liao, J. (2023). Drift doesn't matter: dynamic decomposition with diffusion reconstruction for unstable multivariate time series anomaly detection. Advances in Neural Information Processing Systems, 36.\n\n\n","异常检测学习资源\n====================================\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fyzhao062\u002Fanomaly-detection-resources.svg\n   :target: https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fstargazers\n   :alt: GitHub 星标\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fyzhao062\u002Fanomaly-detection-resources.svg?color=blue\n   :target: https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fnetwork\n   :alt: GitHub 分支\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fyzhao062\u002Fanomaly-detection-resources.svg?color=blue\n   :target: https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fblob\u002Fmaster\u002FLICENSE\n   :alt: 许可证\n\n\n.. image:: https:\u002F\u002Fawesome.re\u002Fbadge-flat2.svg\n   :target: https:\u002F\u002Fawesome.re\u002Fbadge-flat2.svg\n   :alt: Awesome\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FADBench-benchmark_results-pink\n   :target: https:\u002F\u002Fgithub.com\u002FMinqi824\u002FADBench\n   :alt: 基准测试\n\n\n----\n\n`离群点检测 \u003Chttps:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAnomaly_detection>`_\n（也称为 *异常检测*）是一个令人兴奋但又充满挑战的领域，\n其目标是识别偏离整体数据分布的异常对象。\n事实证明，离群点检测在许多领域中都至关重要，例如信用卡欺诈分析、网络入侵检测以及机械设备缺陷检测。\n\n**本仓库收集了**：\n\n\n#. 书籍与学术论文 \n#. 在线课程和视频\n#. 离群点数据集\n#. 开源及商业库\u002F工具包\n#. 重要会议与期刊\n\n\n**更多内容将陆续添加到本仓库**。\n欢迎通过提交 issue、pull request 或发送邮件至 (yzhao010@usc.edu) 提出其他关键资源的建议。\n祝您阅读愉快！\n\n顺带一提，您可能也会对我的 `[GitHub] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062>`_、`[USC FORTIS 实验室] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS>`_ 以及\n`[Google 学术] \u003Chttps:\u002F\u002Fscholar.google.com\u002Fcitations?user=zoGDYsoAAAAJ&hl=en>`_ 感兴趣，\n尤其是 `PyOD 库 \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_、`ADBench 基准测试 \u003Chttps:\u002F\u002Fgithub.com\u002FMinqi824\u002FADBench>`_ 和 `NLP-ADBench: NLP 异常检测基准测试 \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench>`_。\n\n----\n\n目录\n-----------------\n\n\n* `1. 书籍、教程与基准测试 \u003C#1-books--tutorials--benchmarks>`_\n\n  * `1.1. 基准测试 \u003C#13-benchmarks>`_\n  * `1.2. 教程 \u003C#12-tutorials>`_\n  * `1.3. 书籍 \u003C#11-books>`_\n\n* `2. 课程、研讨会、视频 \u003C#2-coursesseminarsvideos>`_\n* `3. 工具箱与数据集 \u003C#3-toolbox--datasets>`_\n\n  * `3.1. 多变量数据离群点检测 \u003C#31-multivariate-data>`_\n  * `3.2. 时间序列离群点检测 \u003C#32-time-series-outlier-detection>`_\n  * `3.3. 图结构离群点检测 \u003C#33-graph-outlier-detection>`_\n  * `3.4. 实时 Elasticsearch \u003C#34-real-time-elasticsearch>`_\n  * `3.5. 数据集 \u003C#35-datasets>`_\n\n* `4. 论文 \u003C#4-papers>`_\n\n  * `4.1. LLM 及其代理在异常检测中的应用 \u003C#41-llm-and-llm-agents-for-anomaly-detection>`_\n  * `4.2. 新兴且有趣的话题 \u003C#42-emerging-and-interesting-topics>`_\n  * `4.3. 弱监督方法 \u003C#43-weakly-supervised-methods>`_\n  * `4.4. 用于离群点检测的机器学习系统 \u003C#44-machine-learning-systems-for-outlier-detection>`_\n  * `4.5. 自动化离群点检测 \u003C#45-automated-outlier-detection>`_\n  * `4.6. 基于神经网络的离群点检测 \u003C#46-outlier-detection-with-neural-networks>`_\n  * `4.7. 可解释性 \u003C#47-interpretability>`_\n  * `4.8. 离群点检测中的表示学习 \u003C#48-representation-learning-in-outlier-detection>`_\n  * `4.9. 动态变化数据中的离群点检测 \u003C#49-outlier-detection-in-evolving-data>`_\n  * `4.10. 离群点集成方法 \u003C#410-outlier-ensembles>`_\n  * `4.11. 高维与子空间离群点 \u003C#411-high-dimensional--subspace-outliers>`_\n  * `4.12. 离群点检测中的特征选择 \u003C#412-feature-selection-in-outlier-detection>`_\n  * `4.13. 时间序列离群点检测 \u003C#413-time-series-outlier-detection>`_\n  * `4.14. 图与网络离群点检测 \u003C#414-graph--network-outlier-detection>`_\n  * `4.15. 重要算法 \u003C#415-key-algorithms>`_\n  * `4.16. 综述与概览类论文 \u003C#416-overview--survey-papers>`_\n  * `4.17. 基于隔离的方法 \u003C#417-isolation-based-methods>`_\n  * `4.18. 离群点检测中的公平性与偏差问题 \u003C#418-fairness-and-bias-in-outlier-detection>`_\n  * `4.19. 离群点检测的应用 \u003C#419-outlier-detection-applications>`_\n  * `4.20. 其他领域的离群点检测 \u003C#420-outlier-detection-in-other-fields>`_\n  * `4.21. 交互式离群点检测 \u003C#421-interactive-outlier-detection>`_\n  * `4.22. 主动式异常检测 \u003C#422-active-anomaly-detection>`_\n\n\n* `5. 重要会议、研讨会和期刊 \u003C#5-key-conferencesworkshopsjournals>`_\n\n  * `5.1. 会议与研讨会 \u003C#51-conferences--workshops>`_\n  * `5.2. 期刊 \u003C#52-journals>`_\n\n\n----\n\n\n1. 书籍、教程与基准测试\n---------------------------------\n\n1.1. 基准测试\n^^^^^^^^^^^^^^^\n\n**新闻**: 我们有两项关于基于 NLP 和 LLM 的异常检测的新研究：\n\n- NLP-ADBench：NLP 异常检测基准测试\n- AD-LLM：大型语言模型在异常检测中的基准测试\n\n=============  =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n数据类型     论文标题                                                                                        场所                         年份   参考文献                      材料\n=============  =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n自然语言处理  NLP-ADBench：自然语言处理异常检测基准                                                       预印本                      2024   [#Li2024NLPADBench]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.04784>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench>`_\n自然语言处理  AD-LLM：大型语言模型在异常检测中的基准测试                                   预印本                      2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\n时间序列    房间里的大象：迈向可靠的时间序列异常检测基准               NeurIPS D&B                   2024   [#Liu2024Elephant]_           `[主页] \u003Chttps:\u002F\u002Fnips.cc\u002Fvirtual\u002F2024\u002Fposter\u002F97690>`_, `[PDF] \u003Chttps:\u002F\u002Fpapers.nips.cc\u002Fpaper_files\u002Fpaper\u002F2024\u002Ffile\u002Fc3f3c690b7a99fba16d0efd35cb83b2c-Paper-Datasets_and_Benchmarks_Track.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FTheDatumOrg\u002FTSB-AD>`_\n图            GADBench：监督式图异常检测的回顾与基准测试                                           NeurIPS                       2023   [#Tang2023GADBench]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2306.12251>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FsquareRoot3\u002FGADBench>`_\n表格数据      ADGym：深度异常检测的设计选择                                                   NeurIPS                       2023   [#Jiang2023adgym]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2309.15376>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FMinqi824\u002FADGym>`_\n图            图上的节点离群点检测基准测试                                                      NeurIPS                       2022   [#Liu2022Benchmarking]_       `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2206.10071>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fpygod-team\u002Fpygod\u002Ftree\u002Fmain\u002Fbenchmark>`_\n表格数据      ADBench：异常检测基准                                                               NeurIPS                       2022   [#Han2022Adbench]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2206.09426>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FMinqi824\u002FADBench>`_\n时间序列    再次审视时间序列离群点检测：定义与基准测试                               NeurIPS                       2021   [#Lai2021Revisiting]_         `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=r8IvOsnHchr>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods\u002Ftree\u002Fbenchmark>`_\n=============  =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n1.2. 教程\n^^^^^^^^^^^^^^\n\n===================================================== ============================================  =====  ============================  ==========================================================================================================================================================================\n教程标题                                        场所                                         年份   参考文献                      材料\n===================================================== ============================================  =====  ============================  ==========================================================================================================================================================================\n可信的异常检测                         SDM                                           2024   [#Yuan2024Trustworthy]_       `[HTML] \u003Chttps:\u002F\u002Fyuan.shuhan.org\u002Ftalks\u002FSDM24\u002F>`_\n异常检测的最新进展                  CVPR                                          2023   [#Pang2023recent]_            `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fview\u002Fcvpr2023-tutorial-on-ad\u002F>`_, `[视频] \u003Chttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=dXxrzWeybBo&feature=youtu.be>`_\n用于异常检测的深度学习                   WSDM                                          2021   [#Pang2021Deep]_              `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fsite\u002Fgspangsite\u002Fwsdm21_tutorial>`_\n迈向可解释的深度异常检测             KDD                                           2021   [#Pang2021Toward]_            `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fsite\u002Fgspangsite\u002Fkdd21_tutorial>`_\n用于异常检测的深度学习                   KDD                                           2020   [#Wang2020Deep]_              `[HTML] \u003Chttps:\u002F\u002Fsites.google.com\u002Fview\u002Fkdd2020deepeye\u002Fhome>`_, `[视频] \u003Chttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Fn0qDbKL3UI&list=PLn0nrSd4xjja7AD3aY9Jxmr820gx59EQC&index=66>`_\n我应该使用哪种离群点检测器？          ICDM                                          2018   [#Ting2018Which]_             `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8594824>`_\n离群点检测技术                          ACM SIGKDD                                    2010   [#Kriegel2010Outlier]_        `[PDF] \u003Chttps:\u002F\u002Fimada.sdu.dk\u002F~zimek\u002Fpublications\u002FKDD2010\u002Fkdd10-outlier-tutorial.pdf>`_\n用于异常检测的数据挖掘                     PKDD                                          2008   [#Lazarevic2008Data]_         `[视频] \u003Chttp:\u002F\u002Fvideolectures.net\u002Fecmlpkdd08_lazarevic_dmfa\u002F>`_\n===================================================== ============================================  =====  ============================  ==========================================================================================================================================================================\n\n\n1.3. 书籍\n^^^^^^^^^^\n\n《离群点分析》\u003Chttps:\u002F\u002Flink.springer.com\u002Fbook\u002F10.1007\u002F978-3-319-47578-3> \n作者：Charu Aggarwal：一本经典教材，涵盖了大多数离群点分析技术。对于从事离群点检测领域的人来说是**必读之作**。`[预览.pdf] \u003Chttp:\u002F\u002Fcharuaggarwal.net\u002Foutlierbook.pdf>`_\n\n`异常值集成：导论 \u003Chttps:\u002F\u002Fwww.springer.com\u002Fgp\u002Fbook\u002F9783319547640>`_ \n作者：Charu Aggarwal 和 Saket Sathe：这是一本关于异常值分析中集成学习的优秀入门书籍。\n\n`数据挖掘：概念与技术（第3版） \u003Chttps:\u002F\u002Fwww.elsevier.com\u002Fbooks\u002Fdata-mining-concepts-and-techniques\u002Fhan\u002F978-0-12-381479-1>`_ \n作者：Jiawei Han、Micheline Kamber 和 Jian Pei：第12章讨论了异常值检测，并涵盖了多个关键点。 `[Google 搜索] \u003Chttps:\u002F\u002Fwww.google.ca\u002Fsearch?&q=data+mining+jiawei+han&oq=data+ming+jiawei>`_\n\n\n----\n\n2. 课程\u002F研讨会\u002F视频\n--------------------------\n\n**Coursera 异常检测入门（由 IBM 提供）**：\n`[观看视频] \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fai\u002Flecture\u002FASPv0\u002Fintroduction-to-anomaly-detection>`_\n\n**开始使用 IBM 的异常检测 API**：\n`[访问网站] \u003Chttps:\u002F\u002Fdeveloper.ibm.com\u002Flearningpaths\u002Fget-started-anomaly-detection-api\u002F>`_\n\n**appliedAI 研究所的实用异常检测**：\n`[访问网站] \u003Chttps:\u002F\u002Ftransferlab.ai\u002Ftrainings\u002Fpractical-anomaly-detection\u002F>`_, `[观看视频] \u003Chttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=sEoMIDARpJ0&list=PLz6xKPm1Bnd6cDDgct3MDhNWJuPXzsmyW>`_, `[访问 GitHub] \u003Chttps:\u002F\u002Fgithub.com\u002Faai-institute\u002Ftfl-training-practical-anomaly-detection>`_\n\n**Coursera 实时网络威胁检测与缓解部分涉及该主题**：\n`[观看视频] \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Freal-time-cyber-threat-detection>`_\n\n**Coursera Andrew Ng 的机器学习课程也部分涉及该主题**：\n\n\n* `异常检测与监督学习的区别 \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Flecture\u002FRkc5x\u002Fanomaly-detection-vs-supervised-learning>`_\n* `开发和评估异常检测系统 \u003Chttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Flecture\u002FMwrni\u002Fdeveloping-and-evaluating-an-anomaly-detection-system>`_\n\n**Udemy 数据挖掘与数据科学中的异常值检测算法**：\n`[观看视频] \u003Chttps:\u002F\u002Fwww.udemy.com\u002Foutlier-detection-techniques\u002F>`_\n\n**斯坦福大学的网络安全数据挖掘课程**也涵盖了一部分异常检测技术：\n`[观看视频] \u003Chttp:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs259d\u002F>`_\n\n----\n\n3. 工具箱与数据集\n---------------------\n\n[**Python + LLM 代理**] `OpenAD \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-AGENT>`_：AD-AGENT 是一个多智能体框架，旨在自动化跨多种数据模态的异常检测，包括表格数据、图数据、时间序列等。它集成了模块化智能体、模型选择策略以及可配置的流水线，以支持可扩展且可解释的检测工作流。该框架目前仍在积极开发中，目标是同时支持学术研究和实际部署。\n\n3.1. 多变量数据\n^^^^^^^^^^^^^^^^^^\n\n[**Python**] `Python 异常值检测（PyOD） \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_：PyOD 是一个全面且可扩展的 Python 工具包，用于检测多变量数据中的异常点。它包含超过 20 种检测算法，其中包括新兴的深度学习模型和异常值集成方法。\n\n[**Python**, **GPU**] `TOD：基于张量的异常值检测（PyTOD） \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpytod>`_：一个通用的 GPU 加速异常值检测框架。\n\n[**Python**] `Python 流式异常值检测（PySAD） \u003Chttps:\u002F\u002Fgithub.com\u002Fselimfirat\u002Fpysad>`_：PySAD 是一个基于 Python 的流式异常值检测框架，提供了一整套用于异常值检测实验的工具。目前包含超过 15 种在线异常值检测算法，并提供了两种不同的方法将 PyOD 检测器集成到流式环境中。\n\n[**Python**] `Scikit-learn 新奇点与异常值检测 \u003Chttp:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Foutlier_detection.html>`_：支持一些流行的算法，如 LOF、孤立森林和一类 SVM。\n\n[**Python**] `可扩展无监督异常值检测（SUOD） \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fsuod>`_：SUOD（可扩展无监督异常值检测）是在 PyOD 基础上构建的一个加速框架，用于大规模无监督异常值检测器的训练和预测。\n\n[**Julia**] `OutlierDetection.jl \u003Chttps:\u002F\u002Fgithub.com\u002FOutlierDetectionJL\u002FOutlierDetection.jl>`_：OutlierDetection.jl 是一个 Julia 工具包，用于检测异常对象，也称为异常值。\n\n[**Java**] `ELKI：支持索引结构的 KDD 应用开发环境 \u003Chttps:\u002F\u002Felki-project.github.io\u002F>`_：\nELKI 是一款用 Java 编写的开源（AGPLv3）数据挖掘软件。ELKI 的重点在于算法研究，尤其侧重于聚类分析和异常值检测中的无监督方法。\n\n[**Java**] `RapidMiner 异常检测扩展 \u003Chttps:\u002F\u002Fgithub.com\u002FMarkus-Go\u002Frapidminer-anomalydetection>`_：RapidMiner 的异常检测扩展包含了最著名的无监督异常检测算法，能够为示例数据集中的每一行分配独立的异常分数。它允许您在无需标注数据的情况下，找到与正常情况显著不同的数据。\n\n[**R**] `CRAN 任务视图：使用 R 进行异常值检测 \u003Chttps:\u002F\u002Fgithub.com\u002Fpridiltal\u002Fctv-AnomalyDetection>`_：此 CRAN 任务视图列出了可用于 R 中异常值检测的软件包清单。\n\n[**R**] `outliers 包 \u003Chttps:\u002F\u002Fcran.r-project.org\u002Fweb\u002Fpackages\u002Foutliers\u002Findex.html>`_：一组常用的用于识别 R 中异常值的检验方法。\n\n[**Matlab**] `异常检测工具箱 - 测试版 \u003Chttp:\u002F\u002Fdsmi-lab-ntust.github.io\u002FAnomalyDetectionToolbox\u002F>`_：Matlab 中的一系列流行异常值检测算法集合。\n\n3.2. 时间序列异常值检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n[**Python**] `TODS \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods>`_：TODS 是一个全栈自动化机器学习系统，用于多变量时间序列数据的异常值检测。\n\n[**Python**] `skyline \u003Chttps:\u002F\u002Fgithub.com\u002Fearthgecko\u002Fskyline>`_：Skyline 是一个近实时的异常值检测系统。\n\n[**Python**] `banpei \u003Chttps:\u002F\u002Fgithub.com\u002Ftsurubee\u002Fbanpei>`_：Banpei 是一个用于异常值检测的 Python 软件包。\n\n[**Python**] `telemanom \u003Chttps:\u002F\u002Fgithub.com\u002Fkhundman\u002Ftelemanom>`_：一个利用 LSTM 检测多变量时间序列数据中异常值的框架。\n\n[**Python**] `DeepADoTS \u003Chttps:\u002F\u002Fgithub.com\u002FKDD-OpenSource\u002FDeepADoTS>`_：针对多种先进深度学习方法的时间序列异常值检测基准测试流程。\n\n[**Python**] `NAB：Numenta 异常值基准测试 \u003Chttps:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB>`_：NAB 是一种新颖的基准测试，用于评估流式、实时应用中的异常值检测算法。\n\n[**Python**] `CueObserve \u003Chttps:\u002F\u002Fgithub.com\u002Fcuebook\u002FCueObserve>`_：用于 SQL 数据仓库和数据库的异常值检测。\n\n[**Python**] `Chaos Genius \u003Chttps:\u002F\u002Fgithub.com\u002Fchaos-genius\u002Fchaos_genius>`_：一个基于机器学习的分析引擎，用于异常值检测及根本原因分析。\n\n[**R**] `CRAN任务视图：使用R进行异常检测 \u003Chttps:\u002F\u002Fgithub.com\u002Fpridiltal\u002Fctv-AnomalyDetection>`_\\ ：该CRAN任务视图包含一个可用于使用R进行异常检测的软件包列表。\n\n[**R**] `AnomalyDetection \u003Chttps:\u002F\u002Fgithub.com\u002Ftwitter\u002FAnomalyDetection>`_\\ ：AnomalyDetection是一个开源的R包，用于检测异常。从统计学角度来看，它在存在季节性和潜在趋势的情况下具有鲁棒性。\n\n[**R**] `anomalize \u003Chttps:\u002F\u002Fcran.r-project.org\u002Fweb\u002Fpackages\u002Fanomalize\u002F>`_\\ ：‘anomalize’包支持以“整洁”方式处理数据中的异常检测工作流。\n\n\n3.3. 图异常检测\n^^^^^^^^^^^^^^^^\n\n[**Python**] `Python图异常检测（PyGOD）\u003Chttps:\u002F\u002Fgithub.com\u002Fpygod-team\u002Fpygod\u002F>`_\\ ：PyGOD是一个用于图异常检测（异常发现）的Python库。它包含了10多种最新的基于图的检测算法。\n\n\n3.4. 实时Elasticsearch\n^^^^^^^^^^^^^^^^^^^^^^^\n\n[**Open Distro**] `亚马逊Open Distro for Elasticsearch中的实时异常检测 \u003Chttps:\u002F\u002Fgithub.com\u002Faws\u002Frandom-cut-forest-by-aws>`_\\ ：这是一个基于机器学习的异常检测插件，适用于Open Distro for Elasticsearch。参见《Open Distro for Elasticsearch中的实时异常检测》 \u003Chttps:\u002F\u002Fopendistro.github.io\u002Ffor-elasticsearch\u002Fblog\u002Fodfe-updates\u002F2019\u002F11\u002Freal-time-anomaly-detection-in-open-distro-for-elasticsearch\u002F>`_。\n\n[**Python**] `datastream.io \u003Chttps:\u002F\u002Fgithub.com\u002FMentatInnovations\u002Fdatastream.io>`_\\ ：一个使用Python、Elasticsearch和Kibana进行实时异常检测的开源框架。\n\n\n3.5. 数据集\n^^^^^^^^^^^\n\n**NLP-ADBench**：NLP异常检测基准及数据集：https:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench\n\n**ELKI异常数据集**\\ ：https:\u002F\u002Felki-project.github.io\u002Fdatasets\u002Foutlier\n\n**异常检测数据集（ODDS）**\\ ：http:\u002F\u002Fodds.cs.stonybrook.edu\u002F#table1\n\n**无监督异常检测数据集**\\ ：https:\u002F\u002Fdataverse.harvard.edu\u002Fdataset.xhtml?persistentId=doi:10.7910\u002FDVN\u002FOPQMVF\n\n**异常检测元分析基准**\\ ：https:\u002F\u002Fir.library.oregonstate.edu\u002Fconcern\u002Fdatasets\u002F47429f155\n\n**斯科尔科沃异常基准（SKAB）**\\ ：https:\u002F\u002Fgithub.com\u002Fwaico\u002Fskab\n\n\n----\n\n\n4. 论文\n---------\n\n推荐阅读顺序（最新优先）：\n\n* `4.1. 用于异常检测的LLM及LLM代理 \u003C#41-llm-and-llm-agents-for-anomaly-detection>`_\n* `4.2. 新兴且有趣的主题 \u003C#42-emerging-and-interesting-topics>`_\n* `4.3. 弱监督方法 \u003C#43-weakly-supervised-methods>`_\n* `4.4. 用于异常检测的机器学习系统 \u003C#44-machine-learning-systems-for-outlier-detection>`_\n* `4.5. 自动化异常检测 \u003C#45-automated-outlier-detection>`_\n\n4.1. 用于异常检测的LLM及LLM代理\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==============================================================================================================  ============================  =====  ============================  =====================================================================================================================================================================================\n论文标题                                                                                                     会议名称                         年份   参考文献                           材料\n==============================================================================================================  ============================  =====  ============================  =====================================================================================================================================================================================\nAD-LLM：面向异常检测的大语言模型基准测试                                                ACL 2025成果大会             2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\nNLP-ADBench：NLP异常检测基准                                                                    EMNLP 2025成果大会           2024   [#Li2024NLPADBench]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.04784>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FNLP-ADBench>`_\nAD-AGENT：端到端异常检测的多智能体框架                                              IJCNLP-AACL成果大会       2025   [#Yang2025ADAGENT]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2505.12594>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-AGENT>`_\nLogSAD：使用视觉与语言基础模型实现无需训练的异常检测                                CVPR 2025                     2025   [#Zhang2025LogSAD]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2503.18325>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fzhang0jhon\u002FLogSAD>`_\nMMAD：工业异常检测中多模态大语言模型的综合基准                            ICLR 2025                     2025   [#Jiang2025MMAD]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2410.09453>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fjam-cc\u002FMMAD>`_\n深入研究大语言模型以实现高效的时间序列异常检测                                  NeurIPS 2025                  2025   [#Park2025LLMTSAD]_           `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=6rpy7X1Of8>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fjunwoopark92\u002FLLM-TSAD>`_\n==============================================================================================================  ============================  =====  ============================  =====================================================================================================================================================================================\n\n\n\n4.2. 新兴且有趣的主题\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                         年份   参考文献                           材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n带异常值去除的聚类                                                                    TKDE                          2019   [#Liu2018Clustering]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1801.01899.pdf>`_\n利用数字孪生系统和弱监督学习进行真实世界异常检测          IEEE Trans. Ind. Informat.    2020   [#Castellani2020Siamese]_     `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?tp=&arnumber=9179030>`_\nSSD：自监督异常检测的统一框架                                     ICLR                          2021   [#Sehwag2021SSD]_             `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=v5gjXpmR8J>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Finspire-group\u002FSSD>`_\nAD-LLM：用于异常检测的大语言模型基准测试                                   预印本                      2024   [#Yang2024ADLLM]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2412.11142>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FUSC-FORTIS\u002FAD-LLM>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.3. 弱监督方法\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                         年份   参考文献                            材料\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\nXGBOD：通过无监督表示学习改进有监督异常检测            IJCNN                         2018   [#Zhao2018Xgbod]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1912.00290>`_\n基于自动编码器的特征编码用于弱监督异常检测                         TNNLS                         2021   [#Zhou2021Feature]_            `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2105.10500.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fyj-zhou\u002FFeature_Encoding_with_AutoEncoders_for_Weakly-supervised_Anomaly_Detection>`_\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n\n\n\n4.4. 异常检测的机器学习系统\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n本节总结了一系列用于异常检测的系统，这些系统可能与工具和库部分有所重叠。\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                         年份   参考文献                           材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nPyOD：用于可扩展异常检测的 Python 工具箱                                              JMLR                          2019   [#Zhao2019PYOD]_              `[PDF] \u003Chttps:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fvolume20\u002F19-011\u002F19-011.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_\nSUOD：加速大规模无监督异构异常检测                        MLSys                         2021   [#Zhao2021SUOD]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.05731.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fsuod>`_\nTOD：基于张量的异常检测                                                                预印本                      2021   [#Zhao2021TOD]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2110.14007.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpytod>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n\n4.5. 自动化异常检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                   年份   参考文献                    材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\nAutoML：以异常检测为重点的最新进展、挑战及研究方向    国际数据科学与分析杂志           2022   [#Bahri2022automl]_           `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F358364044_AutoML_state_of_the_art_with_a_focus_on_anomaly_detection_challenges_and_research_directions>`_\nAutoOD：基于好奇心引导搜索与自我模仿学习的自动化异常检测        ICDE                          2020   [#Li2020AutoOD]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2006.11321.pdf>`_\n自动无监督异常检测模型选择                                                     NeurIPS                       2021   [#Zhao2020Automating]_        `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fforum?id=KCd-3Pz8VjM>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002FMetaOD>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.6. 基于神经网络的异常检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                   年份   参考文献                    材料\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n利用LSTM和非参数动态阈值检测航天器异常                   KDD                           2018   [#Hundman2018Detecting]_      `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.04431.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fkhundman\u002Ftelemanom>`_\nMAD-GAN：基于生成对抗网络的时间序列多变量异常检测   ICANN                         2019   [#Li2019MAD]_                 `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1901.04997.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FLiDan456\u002FMAD-GANs>`_\n用于无监督异常检测的生成对抗主动学习                                           TKDE                          2019   [#Liu2019Generative]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1809.10816.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fleibinghe\u002FGAAL-based-outlier-detection>`_\n用于无监督异常检测的深度自编码高斯混合模型                         ICLR                          2018   [#Zong2018Deep]_              `[PDF] \u003Chttp:\u002F\u002Fwww.cs.ucsb.edu\u002F~bzong\u002Fdoc\u002Ficlr18-dagmm.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fdanieltan07\u002Fdagmm>`_\n基于异常暴露的深度异常检测                                                        ICLR                          2019   [#Hendrycks2019Deep]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1812.04606.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fhendrycks\u002Foutlier-exposure>`_\n基于LSTM神经网络的无监督异常检测                                            TNNLS                         2019   [#Ergen2019Unsupervised]_     `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.09207.pdf>`_, `[IEEE] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8836638>`_,\n通过判别网络中的内点优先级实现有效的端到端无监督异常检测   NeurIPS                       2019   [#Wang2019Effective]_         `[PDF] \u003Chttps:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F8830-effective-end-to-end-unsupervised-outlier-detection-via-inlier-priority-of-discriminative-network.pdf>`_ `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fdemonzyj56\u002FE3Outlier>`_\n迷人的监督信号及其来源：基于尺度学习的深度异常检测  ICML                          2023   [#Xu2023Fascinating]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2305.16114>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fxuhongzuo\u002Fscale-learning>`_ \n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.7. 可解释性\n^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                         年份   参考文献                           材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n用特征子空间规则解释群体中的异常现象                                  DMKD                          2018   [#Macha2018Explaining]_       `[PDF] \u003Chttps:\u002F\u002Fwww.andrew.cmu.edu\u002Fuser\u002Flakoglu\u002Fpubs\u002F18-pkdd-journal-xpacs.pdf>`_\n超越异常检测：用于图像化解释的LookOut                                        ECML-PKDD                     2018   [#Gupta2018Beyond]_           `[PDF] \u003Chttps:\u002F\u002Fwww.andrew.cmu.edu\u002Fuser\u002Flakoglu\u002Fpubs\u002F18-pkdd-lookout.pdf>`_\n上下文异常解释                                                                  IJCAI                         2018   [#Liu2018Contextual]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1711.10589.pdf>`_\n从分类关系数据中挖掘多维上下文异常                                       IDA                           2015   [#Tang2015Mining]_            `[PDF] \u003Chttp:\u002F\u002Fwww.cs.sfu.ca\u002F~jpei\u002Fpublications\u002FContextual%20outliers.pdf>`_\n用于识别和解释异常的判别特征                                                                  ICDE                          2014   [#Dang2014Discriminative]_    `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F6816642>`_\n序列特征解释用于异常检测                                              TKDD                          2019   [#Siddiqui2019Sequential]_    `[HTML] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3230666>`_\n可解释异常检测综述                                                          TKDD                          2023   [#Li2023XAD]_                 `[HTML] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3609333>`_\n基于分位数回归森林的可解释上下文异常检测                         DMKD                          2023   [#Li2023QCAD]_                `[HTML] \u003Chttps:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10618-023-00967-z>`_\n超越异常检测：基于注意力引导三元组偏差网络的异常解释     WWW                           2021   [#Xu2021Beyond]_              `[PDF] \u003Chttps:\u002F\u002Fjiansonglei.github.io\u002Ffiles\u002F21WWW.pdf>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.8. 异常检测中的表示学习\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                         年份   参考文献                           材料\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n为随机距离型异常检测学习超高维数据的表示                                    SIGKDD                        2018   [#Pang2018Learning]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.04808.pdf>`_\n在预算有限的情况下学习用于异常检测的表示                                          预印本                      2015   [#Micenkova2015Learning]_     `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1507.08104.pdf>`_\nXGBOD：通过无监督表示学习改进有监督异常检测                             IJCNN                         2018   [#Zhao2018Xgbod]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1912.00290>`_\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.9. 流式数据中的异常检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                   年份   参考文献                    材料\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n演化数据中的异常检测综述：[以森林火灾风险预测为例]                                               SIGKDD Explorations           2018   [#Salehi2018A]_               `[PDF] \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fexploration_files\u002F20-1-Article2.pdf>`_\n流数据的无监督实时异常检测                                                         Neurocomputing                2017   [#Ahmad2017Unsupervised]_     `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F317325599_Unsupervised_real-time_anomaly_detection_for_streaming_data>`_\n特征演化的数据流中的离群点检测                                                     SIGKDD                        2018   [#Manzoor2018Outlier]_        `[PDF] \u003Chttps:\u002F\u002Fwww.andrew.cmu.edu\u002Fuser\u002Flakoglu\u002Fpubs\u002F18-kdd-xstream.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fcmuxstream.github.io\u002F>`_\n实时异常检测算法评估——Numenta 异常基准测试                                         ICMLA                         2015   [#Lavin2015Evaluating]_       `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1510.03336.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB>`_\nMIDAS：基于微簇的边缘流异常检测器                                                 AAAI                          2020   [#Bhatia2020MIDAS]_           `[PDF] \u003Chttps:\u002F\u002Fwww.comp.nus.edu.sg\u002F~sbhatia\u002Fassets\u002Fpdf\u002Fmidas.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fbhatiasiddharth\u002FMIDAS>`_\nNETS：基于集合处理的超快速数据流离群点检测                                         VLDB                          2019   [#Yoon2019NETS]_              `[PDF] \u003Chttp:\u002F\u002Fwww.vldb.org\u002Fpvldb\u002Fvol12\u002Fp1303-yoon.pdf>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FNETS>`_, `[幻灯片] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wqKJZhEE4nTWe0zODu21ejgPDsDA_xaF\u002Fview?usp=sharing>`_\n具有静止区域跳过的超快速局部离群点检测                                             KDD                           2020   [#Yoon2020STARE]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3394486.3403171>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FSTARE>`_, `[幻灯片] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F11y7Gs703SKJBkPZ4nKKgua__dHXXMbkV\u002Fview?usp=sharing>`_\n利用数据与查询的对偶性从数据流中进行多重动态离群点检测                             SIGMOD                        2021   [#Yoon2021MDUAL]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3448016.3452810>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FMDUAL>`_, `[幻灯片] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wmkkKCAcF9Dk8Wg49WnJF4U--lbtWy9J\u002Fview>`_\n自适应模型池用于复杂演化数据流的在线深度异常检测                                 KDD                           2022   [#Yoon2022ARCUS]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3534678.3539348>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FARCUS>`_, `[幻灯片] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1JhrnEj1vScqGy69cfNUpfTjQYZh-vj_D\u002Fview>`_\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.10. 离群点集成\n^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                   年份   参考文献                    材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n离群点集成：立场论文                                                              SIGKDD Explorations           2013   [#Aggarwal2013Outlier]_       `[PDF] \u003Chttps:\u002F\u002Fpdfs.semanticscholar.org\u002F841e\u002Fce7c3812bbf799c99c84c064bbcf77916ba9.pdf>`_\n无监督离群点检测的集成：挑战与研究问题——一份立场论文                             SIGKDD Explorations           2014   [#Zimek2014Ensembles]_        `[PDF] \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fexploration_files\u002FV15-01-02-Zimek.pdf>`_\n一种用于离群点检测集成的无监督提升策略                                           PAKDD                         2018   [#Campos2018An]_              `[HTML] \u003Chttps:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-93034-3_45>`_\nLSCP：并行离群点集成中的局部选择性组合                                             SDM                           2019   [#Zhao2019LSCP]_              `[PDF] \u003Chttps:\u002F\u002Fepubs.siam.org\u002Fdoi\u002Fpdf\u002F10.1137\u002F1.9781611975673.66>`_\n自适应模型池用于复杂演化数据流的在线深度异常检测                                 KDD                           2022   [#Yoon2022ARCUS]_             `[PDF] \u003Chttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fpdf\u002F10.1145\u002F3534678.3539348>`_, `[Github] \u003Chttps:\u002F\u002Fgithub.com\u002Fkaist-dmlab\u002FARCUS>`_, `[幻灯片] \u003Chttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1JhrnEj1vScqGy69cfNUpfTjQYZh-vj_D\u002Fview>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n4.11. 高维与子空间离群点\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  =======================================================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                     年份   参考文献                    材料\n==================================================================================================  ============================  =====  ============================  =======================================================================================================================================================================================================\n高维数值数据中无监督异常值检测综述                       统计分析与数据挖掘            2012   [#Zimek2012A]_                `[HTML] \u003Chttps:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Fabs\u002F10.1002\u002Fsam.11161>`_\n基于随机距离的异常值检测中超高维数据表示的学习          SIGKDD                        2018   [#Pang2018Learning]_          `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.04808.pdf>`_\n无监督距离型异常值检测中的反向最近邻                   TKDE                          2015   [#Radovanovic2015Reverse]_    `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F6948273>`_, `[SLIDES] \u003Chttps:\u002F\u002Fpdfs.semanticscholar.org\u002Fc8aa\u002F832362422418287ff56793c780b425afa93f.pdf>`_\n高维数据的异常值检测                                   Biometrika                    2015   [#Ro2015Outlier]_             `[PDF] \u003Chttp:\u002F\u002Fweb.hku.hk\u002F~gyin\u002Fmaterials\u002F2015RoZouWangYinBiometrika.pdf>`_\n==================================================================================================  ============================  =====  ============================  =======================================================================================================================================================================================================\n\n\n4.12. 异常值检测中的特征选择\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                                       会议\u002F期刊                     年份   参考文献                    材料\n================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n通过建模层次化取值-特征耦合进行异常值检测的无监督特征选择            ICDM                          2016   [#Pang2016Unsupervised]_      `[PDF] \u003Chttps:\u002F\u002Fopus.lib.uts.edu.au\u002Fbitstream\u002F10453\u002F107356\u002F4\u002FDSFS_ICDM2016.pdf>`_\n从非独立同分布数据中学习同质性耦合以实现联合特征选择和抗噪异常值检测  IJCAI                         2017   [#Pang2017Learning]_          `[PDF] \u003Chttps:\u002F\u002Fwww.ijcai.org\u002Fproceedings\u002F2017\u002F0360.pdf>`_\n================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.13. 时间序列异常值检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=====================================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                                                            会议\u002F期刊                     年份   参考文献                    材料\n=====================================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n时序数据的异常检测：综述                                                                                                          TKDE                          2014   [#Gupta2014Outlier]_          `[PDF] \u003Chttps:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fwp-content\u002Fuploads\u002F2014\u002F01\u002Fgupta14_tkde.pdf>`_\n利用LSTM和非参数动态阈值检测航天器异常                                                                      KDD                           2018   [#Hundman2018Detecting]_      `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.04431.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fkhundman\u002Ftelemanom>`_\n微软的时间序列异常检测服务                                                                                                     KDD                           2019   [#Ren2019Time]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.03821.pdf>`_\n再探时间序列异常检测：定义与基准测试                                                                                             NeurIPS                       2021   [#Lai2021Revisiting]_         `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=r8IvOsnHchr>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fdatamllab\u002Ftods\u002Ftree\u002Fbenchmark>`_\n用于多时间序列异常检测的图增强归一化流                                                                                         ICLR                          2022   [#Dai2022Graph]_              `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=45L_dgP48Vd>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FEnyanDai\u002FGANF>`_\n漂移无关紧要：基于扩散重建的动态分解方法用于不稳定多变量时间序列异常检测                                              NeurIPS                       2023   [#Wang2023Drift]_             `[PDF] \u003Chttps:\u002F\u002Fopenreview.net\u002Fpdf?id=aW5bSuduF1>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FForestsKing\u002FD3R>`_\n=====================================================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.14. 图与网络异常检测\n^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  =============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                      年份   参考文献                    材料\n=================================================================================================  =============================  =====  ============================  ==========================================================================================================================================================================\n基于图的异常检测与描述：综述                                                                    DMKD                           2015   [#Akoglu2015Graph]_           `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1404.4679.pdf>`_\n动态网络中的异常检测：综述                                                                      WIREs Computational Statistic  2015   [#Ranshous2015Anomaly]_       `[PDF] \u003Chttps:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Fpdf\u002F10.1002\u002Fwics.1347>`_\n图中的异常检测：多种图模型的影响                                                                ComSIS                         2019   [#Campos2019Outlier]_         `[PDF] \u003Chttp:\u002F\u002Fwww.comsis.org\u002Fpdf.php?id=wims-8671>`_\n深度学习在图异常检测中的综合研究                                                                TKDE                           2021   [#Ma2021A]_                   `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.07178.pdf>`_\n=================================================================================================  =============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.15. 主要算法\n^^^^^^^^^^^^^^^\n\n所有这些算法均可在 `Python 异常检测库 (PyOD) \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod>`_ 中找到。\n\n====================  =================================================================================================  =================================  =====  ===========================  ==============================================================================================================================================================================================\n缩写                  论文标题                                                                                         会议\u002F期刊                        年份   参考文献                   资料\n====================  =================================================================================================  =================================  =====  ===========================  ==============================================================================================================================================================================================\nkNN                   大型数据集中离群点挖掘的有效算法                                                               ACM SIGMOD Record                  2000   [#Ramaswamy2000Efficient]_   `[PDF] \u003Chttps:\u002F\u002Fwebdocs.cs.ualberta.ca\u002F~zaiane\u002Fpub\u002Fcheck\u002Framaswamy.pdf>`_\nKNN                   高维空间中的快速离群点检测                                                                     PKDD                               2002   [#Angiulli2002Fast]_         `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fprofile\u002FClara_Pizzuti\u002Fpublication\u002F220699183_Fast_Outlier_Detection_in_High_Dimensional_Spaces\u002Flinks\u002F542ea6a60cf27e39fa9635c6.pdf>`_\nLOF                   LOF：基于密度的局部离群点识别                                                                   ACM SIGMOD Record                  2000   [#Breunig2000LOF]_           `[PDF] \u003Chttp:\u002F\u002Fwww.dbs.ifi.lmu.de\u002FPublikationen\u002FPapers\u002FLOF.pdf>`_\nIForest               孤立森林                                                                                       ICDM                               2008   [#Liu2008Isolation]_         `[PDF] \u003Chttps:\u002F\u002Fcs.nju.edu.cn\u002Fzhouzh\u002Fzhouzh.files\u002Fpublication\u002Ficdm08b.pdf>`_\nOCSVM                 高维分布的支持集估计                                                                           Neural Computation                 2001   [#Scholkopf2001Estimating]_  `[PDF] \u003Chttp:\u002F\u002Fusers.cecs.anu.edu.au\u002F~williams\u002Fpapers\u002FP132.pdf>`_\nAutoEncoder Ensemble  基于自编码器集成的离群点检测                                                                   SDM                                2017   [#Chen2017Outlier]_          `[PDF] \u003Chttp:\u002F\u002Fsaketsathe.net\u002Fdownloads\u002Fautoencode.pdf>`_\nCOPOD                 COPOD：基于Copula的离群点检测                                                                   ICDM                               2020   [#Li2020COPOD]_              `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2009.09463>`_\nECOD                  基于经验累积分布函数的无监督离群点检测                                                         TKDE                               2022   [#Li2021ECOD]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2201.00382>`_\n====================  =================================================================================================  =================================  =====  ===========================  ==============================================================================================================================================================================================\n\n4.16. 概述与综述论文\n^^^^^^^^^^^^^^^^^^^^^^^\n\n论文按发表年份排序。\n\n4.17. 基于隔离的方法\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                   年份   参考文献                     材料\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n孤立森林                                                                                         ICDM                        2008   [#Liu2008Isolation]_          `[PDF] \u003Chttps:\u002F\u002Fcs.nju.edu.cn\u002Fzhouzh\u002Fzhouzh.files\u002Fpublication\u002Ficdm08b.pdf>`_\n基于最近邻集成的孤立异常检测                                                                  计算智能                    2018   [#Bandaragoda2018Isolation]_ `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F322359651_Isolation-based_anomaly_detection_using_nearest-neighbor_ensembles_iNNE>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fzhuye88\u002FiNNE>`_\n扩展孤立森林                                                                                     TKDE                        2019   [#Hariri2019Extended]_        `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.02141.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fsahandha\u002Feif>`_\n孤立分布核：一种用于基于核的异常检测的新工具                                                 KDD                         2020   [#Ting2020Isolation]_         `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2009.12196.pdf>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FIsolationKernel\u002FCodes\u002Ftree\u002Fmain\u002FIDK>`_\n用于异常检测的深度孤立森林                                                                     TKDE                        2023   [#Xu2023Deep]_                `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06602>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002Fxuhongzuo\u002Fdeep-iforest>`_\n=================================================================================================  ============================  =====  =============================  ==============================================================================================================================================================================================\n\n\n4.18. 异常检测中的公平性与偏差\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                   年份   参考文献                     材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n确定异常检测公平性的框架                                                                       ECAI                        2020   [#Davidson2020A]_             `[PDF] \u003Chttps:\u002F\u002Fweb.cs.ucdavis.edu\u002F~davidson\u002FPublications\u002FTR.pdf>`_\nFAIROD：面向公平的异常检测                                                                      AIES                        2021   [#Shekhar2021FAIROD]_        `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.03063.pdf>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n\n4.19. 异常检测的应用\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n========================    =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n字段                       论文标题                                                                                         场所                          年份   参考文献                    材料\n========================    =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n**安全**                网络入侵异常检测中使用的距离与相似度度量综述                                                   IEEE Commun. Surv. Tutor.     2015   [#WellerFahy2015A]_           `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?arnumber=6853338>`_\n**安全**                基于异常的网络入侵检测：技术、系统及挑战                                                       Computers & Security          2009   [#GarciaTeodoro2009Anomaly]_  `[PDF] \u003Chttps:\u002F\u002Fwww2.cs.uh.edu\u002F~acl\u002Fcs6397\u002FDoc\u002F2009-Elsevier-Anomaly-based%20network%20intrusion%20detection.pdf>`_\n**金融**                 金融领域异常检测技术综述                                                                       Future Gener Comput Syst      2016   [#Ahmed2016A]_                `[PDF] \u003Chttps:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0167739X15000023>`_\n**交通**                 城市交通数据中的离群点检测                                                                     WIMS                          2018   [#Djenouri2018Outlier]_       `[PDF] \u003Chttp:\u002F\u002Fdss.sdu.dk\u002Fassets\u002Ffpd-lof\u002Foutlier-detection-urban.pdf>`_\n**社交媒体**            社交媒体异常检测综述                                                                           SIGKDD Explorations           2016   [#Yu2016A]_                   `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1601.01102.pdf>`_\n**社交媒体**            GLAD：社交媒体分析中的群体异常检测                                                             TKDD                          2015   [#Yu2015Glad]_                `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1410.1940.pdf>`_\n**机器故障**            利用异常检测方法检测机器故障的初期                                                             DAWAK                         2019   [#Riazi2019Detecting]_        `[PDF] \u003Chttps:\u002F\u002Fwebdocs.cs.ualberta.ca\u002F~zaiane\u002Fpostscript\u002FDAWAK19.pdf>`_\n**视频监控**            AnomalyNet：用于视频监控的异常检测网络                                                         TIFS                          2019   [#Zhou2019AnomalyNet]_        `[IEEE] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8649753>`_, `代码 \u003Chttps:\u002F\u002Fgithub.com\u002Fjoeyzhouty\u002FAnomalyNet>`_\n========================    =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.20. 其他领域的离群点检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n============== =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n领域          论文标题                                                                                         场所                          年份   参考文献                    材料\n============== =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n**文本**       文本数据的离群点检测                                                                             SDM                           2017   [#Kannan2017Outlier]_         `[PDF] \u003Chttps:\u002F\u002Fepubs.siam.org\u002Fdoi\u002Fpdf\u002F10.1137\u002F1.9781611974973.55>`_\n============== =================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.21. 交互式离群点检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                        会议\u002F期刊                         年份   参考                           材料\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n基于首次反馈的在职学习以重新排序异常                                       SDM                           2019   [#Lamba2019Learning]_         `[PDF] \u003Chttps:\u002F\u002Fepubs.siam.org\u002Fdoi\u002Fpdf\u002F10.1137\u002F1.9781611975673.69>`_\n属性网络上的交互式异常检测                                               WSDM                          2019   [#Ding2019Interactive]_       `[PDF] \u003Chttp:\u002F\u002Fwww.public.asu.edu\u002F~jundongl\u002Fpaper\u002FWSDM19_GraphUCB.pdf>`_\neX2：一种用于交互式异常检测的框架                                                 IUI Workshop                  2019   [#Arnaldo2019ex2]_            `[PDF] \u003Chttp:\u002F\u002Fceur-ws.org\u002FVol-2327\u002FIUI19WS-ESIDA-2.pdf>`_\n用于交互式异常发现的三方主动学习                                       IEEE Access                   2019   [#Zhu2019Tripartite]_         `[PDF] \u003Chttps:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?arnumber=8707963>`_\n=================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n4.22. 主动异常检测\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n论文标题                                                                                         会议\u002F期刊                         年份   参考                           材料\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n异常与稀有类别检测中的主动学习                                             NeurIPS                       2005   [#Pelleg2005Active]_          `[PDF] \u003Chttp:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F2554-active-learning-for-anomaly-and-rare-category-detection.pdf>`_\n通过主动学习进行离群点检测                                                                SIGKDD                        2006   [#Abe2006Outlier]_            `[PDF] \u003Chttps:\u002F\u002Fwww.researchgate.net\u002Fprofile\u002FNaoki_Abe2\u002Fpublication\u002F221653343_Outlier_detection_by_active_learning\u002Flinks\u002F5441464a0cf2e6f0c0f60abb.pdf>`_\n基于集成的主动异常检测：见解、算法与可解释性                                  预印本                      2019   [#Das2019Active]_             `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1901.08930.pdf>`_\nMeta-AAD：基于深度强化学习的主动异常检测                                 ICDM                          2020   [#Zha2020Meta]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2009.07415.pdf>`_\nA3：激活异常分析                                                                     ECML-PKDD                     2020   [#Sperl2021A3]_               `[PDF] \u003Chttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.01801>`_, `[代码] \u003Chttps:\u002F\u002Fgithub.com\u002FFraunhofer-AISEC\u002FA3>`_\n==================================================================================================  ============================  =====  ============================  ==========================================================================================================================================================================\n\n\n----\n\n5. 重要会议\u002F研讨会\u002F期刊\n-------------------------------------\n\n5.1. 会议与研讨会\n^^^^^^^^^^^^^^^^^^^^^^^^^^^^\n\n重要的数据挖掘会议的**截止日期**、**历年接受率**等信息，可在 `data-mining-conferences \u003Chttps:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fdata-mining-conferences>`_ 中找到。\n\n\n`ACM国际知识发现与数据挖掘会议（SIGKDD） \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fconferences>`_。 **注意**：SIGKDD 通常会举办离群点检测研讨会（ODD），详情参见 `ODD 2021 \u003Chttps:\u002F\u002Foddworkshop.github.io\u002F>`_。\n\n`ACM国际数据管理会议（SIGMOD） \u003Chttps:\u002F\u002Fsigmod.org\u002F>`\n\n`万维网大会（WWW） \u003Chttps:\u002F\u002Fwww2018.thewebconf.org\u002F>`\n\n`IEEE国际数据挖掘会议（ICDM） \u003Chttps:\u002F\u002Ficdm2024.org\u002F\u002F>`_\n\n`SIAM国际数据挖掘会议（SDM） \u003Chttps:\u002F\u002Fwww.siam.org\u002FConferences\u002FCM\u002FMain\u002Fsdm19>`_\n\n`IEEE国际数据工程会议（ICDE） \u003Chttps:\u002F\u002Ficde2018.org\u002F>`\n\n`ACM国际信息与知识管理会议（CIKM） \u003Chttp:\u002F\u002Fwww.cikmconference.org\u002F>`\n\n`ACM国际Web搜索与数据挖掘会议（WSDM） \u003Chttp:\u002F\u002Fwww.wsdm-conference.org\u002F2018\u002F>`\n\n`欧洲机器学习及数据库知识发现原理与实践大会（ECML-PKDD） \u003Chttp:\u002F\u002Fwww.ecmlpkdd2018.org\u002F>`\n\n`亚太知识发现与数据挖掘大会（PAKDD） \u003Chttp:\u002F\u002Fpakdd2019.medmeeting.org>`_\n\n5.2. 期刊\n^^^^^^^^^^^^^\n\n`ACM关于数据知识发现的事务（TKDD） \u003Chttps:\u002F\u002Ftkdd.acm.org\u002F>`\n\n`IEEE关于知识与数据工程的事务（TKDE） \u003Chttps:\u002F\u002Fwww.computer.org\u002Fweb\u002Ftkde>`_\n\n`ACM SIGKDD探索通讯 \u003Chttp:\u002F\u002Fwww.kdd.org\u002Fexplorations>`_\n\n`数据挖掘与知识发现 \u003Chttps:\u002F\u002Flink.springer.com\u002Fjournal\u002F10618>`_\n\n`知识与信息系统（KAIS） \u003Chttps:\u002F\u002Flink.springer.com\u002Fjournal\u002F10115>`_\n\n----\n\n参考文献\n----------\n\n.. [#Abe2006Outlier] Abe, N., Zadrozny, B. 和 Langford, J., 2006年8月. 通过主动学习进行离群点检测. 载于 *第12届ACM SIGKDD国际知识发现与数据挖掘会议论文集*, 第504–509页, ACM.\n\n.. [#Aggarwal2013Outlier] Aggarwal, C.C., 2013年. 离群点集成：立场文件. *ACM SIGKDD探索通讯*\\ , 第14卷第2期, 第49–58页.\n\n.. [#Ahmed2016A] Ahmed, M., Mahmood, A.N. 和 Islam, M.R.，2016年。金融领域异常检测技术综述。《未来一代计算机系统》，55卷，第278–288页。\n\n.. [#Ahmad2017Unsupervised] Ahmad, S.、Lavin, A.、Purdy, S. 和 Agha, Z.，2017年。面向流数据的无监督实时异常检测。《神经计算》，262卷，第134–147页。\n\n.. [#Akoglu2015Graph] Akoglu, L.、Tong, H. 和 Koutra, D.，2015年。基于图的异常检测与描述：综述。《数据挖掘与知识发现》，29(3)期，第626–688页。\n\n.. [#Angiulli2002Fast] Angiulli, F. 和 Pizzuti, C.，2002年8月。高维空间中的快速离群点检测。载于《欧洲数据挖掘与知识发现原理会议》，第15–27页。\n\n.. [#Arnaldo2019ex2] Arnaldo, I.、Veeramachaneni, K. 和 Lam, M.，2019年。ex2：用于交互式异常检测的框架。载于《ACM IUI 探索性搜索与交互式数据分析研讨会（ESIDA）》。\n\n.. [#Bahri2022automl] Bahri, M.、Salutari, F.、Putina, A. 等人。AutoML：现状综述——聚焦异常检测、挑战与研究方向。《国际数据科学与分析期刊》（2022年）。\n\n.. [#Bandaragoda2018Isolation] Bandaragoda, Tharindu R.、Kai Ming Ting、David Albrecht、Fei Tony Liu、Ye Zhu 和 Jonathan R. Wells。“基于最近邻集成的隔离式异常检测。”《计算智能》34(4)期（2018年），第968–998页。\n\n.. [#Bhatia2020MIDAS] Bhatia, S.、Hooi, B.、Yoon, M.、Shin, K. 和 Faloutsos, C.，2020年。MIDAS：基于微簇的边缘流异常检测器。载于《AAAI 人工智能大会（AAAI）》。\n\n.. [#Braei2020Anomaly] Braei, M. 和 Wagner, S.，2020年。单变量时间序列中的异常检测：现状综述。arXiv 预印本 arXiv:2004.00433。\n\n.. [#Breunig2000LOF] Breunig, M.M.、Kriegel, H.P.、Ng, R.T. 和 Sander, J.，2000年5月。LOF：识别基于密度的局部离群点。《ACM SIGMOD 记录》，29(2)期，第93–104页。\n\n.. [#Bulusu2020Deep] Bulusu, S.、Kailkhura, B.、Li, B.、Varshney, P. 和 Song, D.，2020年。深度学习中的异常实例检测：综述（编号 LLNL-CONF-808677）。劳伦斯利弗莫尔国家实验室（LLNL），利弗莫尔，加利福尼亚州（美国）。\n\n.. [#Campos2016On] Campos, G.O.、Zimek, A.、Sander, J.、Campello, R.J.、Micenková, B.、Schubert, E.、Assent, I. 和 Houle, M.E.，2016年。关于无监督离群点检测评估的研究：指标、数据集及实证研究。《数据挖掘与知识发现》，30(4)期，第891–927页。\n\n.. [#Campos2018An] Campos, G.O.、Zimek, A. 和 Meira, W.，2018年6月。一种用于离群点检测集成的无监督提升策略。载于《亚太知识发现与数据挖掘会议（第564–576页）》。施普林格，巴塞尔。\n\n.. [#Campos2019Outlier] Campos, G.O.、Moreira, E.、Meira Jr, W. 和 Zimek, A.，2019年。图中的离群点检测：多图模型影响研究。《计算机科学与信息系统》，16(2)期。\n\n.. [#Castellani2020Siamese] Castellani, A.、Schmitt, S.、Squartini, S.，2020年。利用数字孪生系统和弱监督学习进行现实世界异常检测。载于《IEEE 工业信息学汇刊》。\n\n.. [#Chalapathy2019Deep] Chalapathy, R. 和 Chawla, S.，2019年。深度学习在异常检测中的应用：综述。arXiv 预印本 arXiv:1901.03407。\n\n.. [#Chandola2009Anomaly] Chandola, V.、Banerjee, A. 和 Kumar, V.，2009年。异常检测：综述。《ACM 计算评论》，41(3)期，第15页。\n\n.. [#Chawla2011Anomaly] Chawla, S. 和 Chandola, V.，2011年。异常检测：教程。载于《ICDM 2011 教程》。\n\n.. [#Chen2017Outlier] Chen, J.、Sathe, S.、Aggarwal, C. 和 Turaga, D.，2017年6月。基于自编码器集成的离群点检测。《SIAM 国际数据挖掘会议》，第90–98页。工业与应用数学学会。\n\n.. [#Dai2022Graph] Dai, E. 和 Chen, J.，2022年。用于多时间序列异常检测的图增强归一化流。国际表征学习会议（ICLR）。\n\n.. [#Dang2014Discriminative] Dang, X.H.、Assent, I.、Ng, R.T.、Zimek, A. 和 Schubert, E.，2014年3月。用于识别和解释离群点的判别特征。载于《国际数据工程会议（ICDE）》。IEEE。\n\n.. [#Das2019Active] Das, S.、Islam, M.R.、Jayakodi, N.K. 和 Doppa, J.R.，2019年。基于集成的主动异常检测：见解、算法与可解释性。arXiv 预印本 arXiv:1901.08930。\n\n.. [#Davidson2020A] Davidson, I. 和 Ravi, S.S.，2020年。确定离群点检测公平性的框架。载于第24届欧洲人工智能大会（ECAI2020）论文集（第2029卷）。\n\n.. [#Ding2019Interactive] Ding, K.、Li, J. 和 Liu, H.，2019年1月。属性网络上的交互式异常检测。载于《第十二届 ACM 国际网络搜索与数据挖掘会议论文集》，第357–365页。ACM。\n\n.. [#Djenouri2018Outlier] Djenouri, Y. 和 Zimek, A.，2018年6月。城市交通数据中的离群点检测。载于《第八届国际网络智能、挖掘与语义会议论文集》。ACM。\n\n.. [#Domingues2018A] Domingues, R.、Filippone, M.、Michiardi, P. 和 Zouaoui, J.，2018年。离群点检测算法的比较评估：实验与分析。《模式识别》，74卷，第406–421页。\n\n.. [#Emmott2015A] Emmott, A.、Das, S.、Dietterich, T.、Fern, A. 和 Wong, W.K.，2015年。异常检测问题的元分析。arXiv 预印本 arXiv:1503.01158。\n\n.. [#Ergen2019Unsupervised] Ergen, T. 和 Kozat, S.S.，2019年。使用 LSTM 神经网络进行无监督异常检测。《IEEE 神经网络与学习系统汇刊》。\n\n.. [#Falcao2019Quantitative] Falcão, F.、Zoppi, T.、Silva, C.B.V.、Santos, A.、Fonseca, B.、Ceccarelli, A. 和 Bondavalli, A.，2019年4月。针对入侵检测的无监督异常检测算法的定量比较。载于《第34届 ACM\u002FSIGAPP 应用计算研讨会论文集》（第318–327页）。ACM。\n\n.. [#GarciaTeodoro2009Anomaly] Garcia-Teodoro, P.、Diaz-Verdejo, J.、Maciá-Fernández, G. 和 Vázquez, E.，2009年。基于异常的网络入侵检测：技术、系统与挑战。《计算机与安全》，28(1-2)期，第18–28页。\n\n.. [#Goldstein2016A] Goldstein, M. 和 Uchida, S.，2016年。多元数据无监督异常检测算法的比较评估。《PloS one》，11(4)期，文章编号 e0152173。\n\n.. [#Gupta2014Outlier] Gupta, M.、Gao, J.、Aggarwal, C.C. 和 Han, J.，2014年。时序数据中的离群点检测：综述。《IEEE 知识与数据工程汇刊》，26(9)期，第2250–2267页。\n\n.. [#Hariri2019Extended] Hariri, S.、Kind, M.C. 和 Brunner, R.J.，2019年。扩展的孤立森林。《IEEE 知识与数据工程汇刊》。\n\n.. [#Hendrycks2019Deep] Hendrycks, D.、Mazeika, M. 和 Dietterich, T.G.，2019年。通过离群点暴露实现深度异常检测。国际表征学习会议（ICLR）。\n\n.. [#Hodge2004A] Hodge, V. 和 Austin, J.，2004年。异常检测方法综述。《人工智能评论》，22(2)，页85–126。\n\n.. [#Hojjati2022Self] Hojjati, H.、Ho, T.K.K. 和 Armanfard, N.，2022年。自监督异常检测：综述与展望。arXiv预印本 arXiv:2205.05173。\n\n.. [#Hundman2018Detecting] Hundman, K.、Constantinou, V.、Laporte, C.、Colwell, I. 和 Soderstrom, T.，2018年7月。利用LSTM和非参数动态阈值检测航天器异常。载于《第24届ACM SIGKDD国际知识发现与数据挖掘会议论文集》（页387–395）。ACM出版社。\n\n.. [#Kannan2017Outlier] Kannan, R.、Woo, H.、Aggarwal, C.C. 和 Park, H.，2017年6月。文本数据的异常检测。载于《2017年SIAM国际数据挖掘会议论文集》，页489–497。工业与应用数学学会。\n\n.. [#Kriegel2010Outlier] Kriegel, H.P.、Kröger, P. 和 Zimek, A.，2010年。异常检测技术。《ACM SIGKDD 2010教程》。\n\n.. [#Jiang2023adgym] Jiang, M.、Hou, C.、Zheng, A.、Han, S.、Huang, H.、Wen, Q.、Hu, X. 和 Zhao, Y.，2023年。ADGym：深度异常检测的设计选择。《NeurIPS》，数据集与基准赛道。\n\n.. [#Jiang2023weakly] Jiang, M.、Hou, C.、Zheng, A.、Hu, X.、Han, S.、Huang, H.、He, X.、Yu, P.S. 和 Zhao, Y.，2023年。弱监督异常检测：综述。arXiv预印本 arXiv:2302.04549。\n\n.. [#Jiang2025MMAD] Jiang, X.、Li, J.、Deng, H.、Liu, Y.、Gao, B.、Zhou, Y.、Li, J.、Wang, C. 和 Zheng, F.，2025年。MMAD：面向工业异常检测的多模态大型语言模型综合基准。载于《ICLR 2025》。\n\n.. [#Lai2021Revisiting] Lai, K.H.、Zha, D.、Xu, J.、Zhao, Y.、Wang, G. 和 Hu, X.，2021年。时间序列异常检测再探：定义与基准。《NeurIPS》，数据集与基准赛道。\n\n.. [#Lamba2019Learning] Lamba, H. 和 Akoglu, L.，2019年5月。基于“第一反馈”的在职学习以重新排序异常。载于《2019年SIAM国际数据挖掘会议（SDM）论文集》，页612–620。工业与应用数学学会。\n\n.. [#Lavin2015Evaluating] Lavin, A. 和 Ahmad, S.，2015年12月。实时异常检测算法评估——Numenta异常基准。载于《2015年IEEE第14届机器学习与应用国际会议（ICMLA）》（页38–44）。IEEE出版社。\n\n.. [#Lazarevic2008Data] Lazarevic, A.、Banerjee, A.、Chandola, V.、Kumar, V. 和 Srivastava, J.，2008年9月。用于异常检测的数据挖掘。《ECML PKDD 2008教程》。\n\n.. [#Li2019MAD] Li, D.、Chen, D.、Jin, B.、Shi, L.、Goh, J. 和 Ng, S.K.，2019年9月。MAD-GAN：基于生成对抗网络的时间序列多变量异常检测。载于《国际人工神经网络会议》（页703–716）。施普林格，查姆。\n\n.. [#Li2020COPOD] Li, Z.、Zhao, Y.、Botta, N.、Ionescu, C. 和 Hu, X. COPOD：基于Copula的异常检测。《IEEE国际数据挖掘会议（ICDM）》，2020年。\n\n.. [#Li2021ECOD] Li, Z.、Zhao, Y.、Hu, X.、Botta, N.、Ionescu, C. 和 Chen, H.G. ECOD：使用经验累积分布函数的无监督异常检测。《IEEE知识与数据工程汇刊（TKDE）》，2022年。\n\n.. [#Li2023XAD] Li, Z.、Zhu, Y. 和 Van Leeuwen, M.，2023年。可解释异常检测综述。《ACM数据知识发现汇刊》，18(1)，页1–54。\n\n.. [#Li2023QCAD] Li, Z. 和 Van Leeuwen, M.，2023年。基于分位数回归森林的可解释上下文异常检测。《数据挖掘与知识发现》，37(6)，页2517–2563。\n\n.. [#Li2024NLPADBench] Li, Y.、Li, J.、Xiao, Z.、Yang, T.、Nian, Y.、Hu, X. 和 Zhao, Y. “NLP-ADBench：NLP异常检测基准”，arXiv预印本 arXiv:2412.04784。\n\n.. [#Liu2008Isolation] Liu, F.T.、Ting, K.M. 和 Zhou, Z.H.，2008年12月。孤立森林。载于《国际数据挖掘会议》，页413–422。IEEE出版社。\n\n.. [#Liu2018Clustering] Liu, H.、Li, J.、Wu, Y. 和 Fu, Y.，2019年。去除异常值后的聚类分析。《IEEE知识与数据工程汇刊》。\n\n.. [#Liu2018Contextual] Liu, N.、Shin, D. 和 Hu, X.，2017年。上下文异常解释。载于《国际人工智能联合会议（IJCAI-18）》，页2461–2467。\n\n.. [#Liu2019Generative] Liu, Y.、Li, Z.、Zhou, C.、Jiang, Y.、Sun, J.、Wang, M. 和 He, X.，2019年。用于无监督异常检测的生成对抗主动学习。《IEEE知识与数据工程汇刊》。\n\n.. [#Li2020AutoOD] Li, Y.、Chen, Z.、Zha, D.、Zhou, K.、Jin, H.、Chen, H. 和 Hu, X.，2020年。AutoOD：基于好奇心驱动搜索和自我模仿学习的自动化异常检测。《ICDE》。\n\n.. [#Liu2022Benchmarking] Liu, K.、Dou, Y.、Zhao, Y.、Ding, X.、Hu, X.、Zhang, R.、Ding, K.、Chen, C.、Peng, H.、Shu, K.、Sun, L.、Li, J.、Chen, G.H.、Jia, Z. 和 Yu, P.S.，2022年。图上节点异常检测的基准测试。arXiv预印本 arXiv:2206.10071。\n.. [#Liu2024Elephant] Liu, Q. 和 Paparrizos, J.，2024年。房间里的大象：迈向可靠的时间序列异常检测基准。《NeurIPS 2024 数据集与基准赛道》。\n\n.. [#Ma2021A] Ma, X.、Wu, J.、Xue, S.、Yang, J.、Zhou, C.、Sheng, Q.Z.、Xiong, H. 和 Akoglu, L.，2021年。深度学习在图异常检测中的综合研究。《IEEE知识与数据工程汇刊》。\n\n.. [#Macha2018Explaining] Macha, M. 和 Akoglu, L.，2018年。利用特征子空间规则解释群体中的异常。《数据挖掘与知识发现》，32(5)，页1444–1480。\n\n.. [#Manzoor2018Outlier] Manzoor, E.、Lamba, H. 和 Akoglu, L. 异常检测在特征不断变化的数据流中。载于《第24届ACM SIGKDD国际知识发现与数据挖掘会议（KDD）》。2018年。\n\n.. [#Mendiratta2017Anomaly] Mendiratta, B.V.，2017年。网络中的异常检测。《ACM SIGKDD 2017教程》。\n\n.. [#Micenkova2015Learning] Micenková, B.、McWilliams, B. 和 Assent, I.，2015年。预算有限下的异常检测表示学习。arXiv预印本 arXiv:1507.08104。\n\n.. [#Gupta2018Beyond] Gupta, N.、Eswaran, D.、Shah, N.、Akoglu, L. 和 Faloutsos, C.，超越异常检测：寻找图像化解释。《ECML PKDD 2018》。\n\n.. [#Han2022Adbench] Han, S.、Hu, X.、Huang, H.、Jiang, M. 和 Zhao, Y.，2022年。ADBench：异常检测基准。arXiv预印本 arXiv:2206.09426。\n\n.. [#Pang2016Unsupervised] Pang, G.、Cao, L.、Chen, L. 和 Liu, H.，2016年12月。通过建模层次化的价值-特征耦合进行无监督特征选择以实现异常检测。载于《数据挖掘（ICDM）》，2016年IEEE第16届国际会议（页410–419）。IEEE出版社。\n\n.. [#Pang2017Learning] Pang, G.、Cao, L.、Chen, L. 和 Liu, H.，2017年8月。从非独立同分布数据中学习同质性耦合，以实现联合特征选择和抗噪声异常检测。载于《第26届国际人工智能联合会议论文集》（页2585–2591）。AAAI出版社。\n\n.. [#Pang2018Learning] Pang, G., Cao, L., Chen, L. 和 Liu, H., 2018. 面向基于随机距离的异常检测的超高维数据表示学习。载于《第24届ACM SIGKDD国际知识发现与数据挖掘会议（KDD）》。2018年。\n\n.. [#Pang2020Deep] Pang, G., Shen, C., Cao, L. 和 Hengel, A.V.D., 2021. 异常检测中的深度学习：综述。ACM计算综述（CSUR），54(2)，第1–38页。\n\n.. [#Pang2021Deep] Pang, G., Cao, L. 和 Aggarwal, C., 2021. 异常检测中的深度学习。《WSDM 2021教程》。\n\n.. [#Pang2021Toward] Pang, G. 和 Aggarwal, C., 2021年8月。迈向可解释的深度异常检测。载于《KDD》（第4056–4057页）。\n\n.. [#Pang2023recent] Guansong Pang、Joey Tianyi Zhou、Radu Tudor Ionescu、Yu Tian 和 Kihyuk Sohn。“异常检测的最新进展”。载于《CVPR'23》。加拿大温哥华。\n\n.. [#Park2025LLMTSAD] Park, J., Jung, K., Lee, D., Lee, H., Gwak, D., Park, C., Choo, J. 和 Cho, J., 2025. 深入研究大型语言模型在有效时间序列异常检测中的应用。载于《NeurIPS 2025》。\n\n.. [#Pelleg2005Active] Pelleg, D. 和 Moore, A.W., 2005. 用于异常和稀有类别检测的主动学习。载于《神经信息处理系统进展》，第1073–1080页。\n\n.. [#Radovanovic2015Reverse] Radovanović, M., Nanopoulos, A. 和 Ivanović, M., 2015. 无监督距离型异常检测中的反向最近邻。IEEE知识与数据工程汇刊，27(5)，第1369–1382页。\n\n.. [#Ramaswamy2000Efficient] Ramaswamy, S., Rastogi, R. 和 Shim, K., 2000年5月。从大型数据集中挖掘异常值的有效算法。ACM SIGMOD记录，29(2)，第427–438页。\n\n.. [#Ranshous2015Anomaly] Ranshous, S., Shen, S., Koutra, D., Harenberg, S., Faloutsos, C. 和 Samatova, N.F., 2015. 动态网络中的异常检测：综述。Wiley跨学科评论：计算统计，7(3)，第223–247页。\n\n.. [#Ren2019Time] Ren, H., Xu, B., Wang, Y., Yi, C., Huang, C., Kou, X., Xing, T., Yang, M., Tong, J. 和 Zhang, Q., 2019. 微软的时间序列异常检测服务。载于《第25届ACM SIGKDD国际知识发现与数据挖掘会议论文集》。ACM。\n\n.. [#Riazi2019Detecting] Riazi, M., Zaiane, O., Takeuchi, T., Maltais, A., Günther, J. 和 Lipsett, M.，利用异常检测方法检测机器故障的早期迹象。\n\n.. [#Ro2015Outlier] Ro, K., Zou, C., Wang, Z. 和 Yin, G., 2015. 高维数据的异常检测。生物计量学，102(3)，第589–599页。\n\n.. [#Salehi2018A] Salehi, Mahsa & Rashidi, Lida. (2018). 关于演化数据中异常检测的综述：[以森林火灾风险预测为例]。ACM SIGKDD探索通讯。20期，第13–23页。\n\n.. [#Salehi2021A] Salehi, M., Mirzaei, H., Hendrycks, D., Li, Y., Rohban, M.H. 和 Sabokrou, M.，2021. 异常、新奇、开放集及分布外检测的统一综述：解决方案与未来挑战。arXiv预印本arXiv:2110.14051。\n\n.. [#Scholkopf2001Estimating] Schölkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J. 和 Williamson, R.C., 2001. 估计高维分布的支持域。神经计算，13(7)，第1443–1471页。\n\n.. [#Sehwag2021SSD] Sehwag, V., Chiang, M. 和 Mittal, P.，2021. SSD：一种用于自监督异常检测的统一框架。《国际表征学习会议（ICLR）》。\n\n.. [#Shekhar2021FAIROD] Shekhar, S., Shah, N. 和 Akoglu, L.，2021. FAIROD：公平感知的异常检测。AAAI\u002FACM人工智能、伦理与社会会议（AIES）。\n\n.. [#Siddiqui2019Sequential] Siddiqui, M.A., Fern, A., Dietterich, T.G. 和 Wong, W.K.，2019. 用于异常检测的顺序特征解释。ACM数据知识发现汇刊（TKDD），13(1)，第1页。\n\n.. [#Sperl2021A3] Sperl, P., Schulze, J.-P. 和 Böttinger, K.，2021. 激活异常分析。《2020年欧洲机器学习与数据挖掘大会（ECML-PKDD）》。\n\n.. [#Suri2019Research] Suri, N.R. 和 Athithan, G.，2019. 异常检测中的研究问题。载于《异常检测：技术与应用》，第29–51页。施普林格出版社，沙姆。\n\n.. [#Tang2015Mining] Tang, G., Pei, J., Bailey, J. 和 Dong, G.，2015. 从分类关系数据中挖掘多维上下文异常值。智能数据分析，19(5)，第1171–1192页。\n\n.. [#Tang2023GADBench] Tang, J., Hua, F., Gao, Z., Zhao, P. 和 Li, J.，2023. GADBench：重新审视并基准化监督式图异常检测。NeurIPS，数据集与基准测试赛道。\n\n.. [#Ting2018Which] Ting, KM., Aryal, S. 和 Washio, T.，2018. 我应该使用哪种异常检测器？《ICDM 2018教程》。\n\n.. [#Ting2020Isolation] Ting, Kai Ming、Bi-Cun Xu、Takashi Washio 和 Zhi-Hua Zhou。“隔离分布核：一种用于基于核的异常检测的新工具。”载于《第26届ACM SIGKDD国际知识发现与数据挖掘会议论文集》，第198–206页。2020年。\n\n.. [#Wang2019Effective] Wang, S., Zeng, Y., Liu, X., Zhu, E., Yin, J., Xu, C. 和 Kloft, M.，2019. 基于判别网络内点优先策略的有效端到端无监督异常检测。载于《第33届神经信息处理系统会议》。\n\n.. [#Wang2019Progress] Wang, H., Bah, M.J. 和 Hammad, M.，2019. 异常检测技术的进展：综述。IEEE访问，7期，第107964–108000页。\n\n.. [#Wang2020Deep] Wang, R., Nie, K., Chang, Y. J., Gong, X., Wang, T., Yang, Y. 和 Long, B.，2020. 异常检测中的深度学习。《KDD 2020教程》。\n\n.. [#WellerFahy2015A] Weller-Fahy, D.J., Borghetti, B.J. 和 Sodemann, A.A.，2015. 网络入侵异常检测中使用的距离与相似度度量综述。IEEE通信综述与教程，17(1)，第70–91页。\n\n.. [#Xu2021Beyond] Xu, H., Wang, Y., Jian, S., Huang, Z., Wang, Y., Liu, N. 和 Li, F.，2021年4月。超越异常检测：基于注意力引导的三元偏差网络对异常的解释。载于《2021年Web大会论文集》（第1328–1339页）。\n\n.. [#Xu2023Deep] Xu, H., Pang, G. 和 Wang, Y.，2023. 用于异常检测的深度孤立森林。IEEE知识与数据工程汇刊。\n\n.. [#Xu2023Fascinating] Xu, H., Wang, Y., Wei, J., Jian, S., Li, Y., Liu, N.，2023. 迷人的监督信号及其获取途径：结合尺度学习的深度异常检测。《国际机器学习会议（ICML）》。\n\n.. [#Xu2024LLMsurvey] Xu, R. 和 Ding, K.，2024. 大型语言模型在异常及分布外检测中的应用：综述。arXiv预印本arXiv:2409.01980。\n\n.. [#Yang2024ADLLM] Yang, T., Nian, Y., Li, S., Xu, R., Li, Y., Li, J., Xiao, Z., Hu, X., Rossi, R., Ding, K., Hu, X. 和 Zhao, Y.“AD-LLM：大型语言模型在异常检测中的基准测试。”ACL 2025的研究成果。\n\n.. [#Yang2025ADAGENT] 杨，T.，刘，J.，萧，W.，王，J.，钱，Z.，宋，C.，程，C.，胡，X. 和赵，Y. “AD-AGENT：一种用于端到端异常检测的多智能体框架。” IJCNLP-AACL 研究成果，2025年。\n\n.. [#Yoon2019NETS] 尹，S.，李，J. G. 和李，B. S.，2019年。NETS：通过基于集合的处理从数据流中实现极快速的离群点检测。VLDB 基金会论文集，12(11)，1303-1315页。\n\n.. [#Yoon2020STARE] 尹，S.，李，J. G. 和李，B. S.，2020年。利用静止区域跳过技术从数据流中进行超快速局部离群点检测。载于第26届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集（第1181–1191页）。\n\n.. [#Yoon2021MDUAL] 尹，S.，申，Y.，李，J. G. 和李，B. S.（2021年6月）。通过利用数据与查询的对偶性从数据流中进行多重动态离群点检测。载于2021年国际数据管理会议（SIGMOD）论文集。\n\n.. [#Yoon2022ARCUS] 尹，S.，李，Y.，李，J.G. 和李，B.S.，2022年8月。面向复杂演化数据流的在线深度异常检测的自适应模型池方法。载于第28届 ACM SIGKDD 知识发现与数据挖掘会议论文集（第2347–2357页）。\n\n.. [#Yu2015Glad] 余，R.，何，X. 和刘，Y.，2015年。GLAD：社交媒体分析中的群体异常检测。ACM 数据知识发现汇刊（TKDD），10(2)，第18页。\n\n.. [#Yu2016A] 余，R.，邱，H.，温，Z.，林，C. 和刘，Y.，2016年。社交媒体异常检测综述。ACM SIGKDD 探索通讯，18(1)，第1–14页。\n\n.. [#Yuan2024Trustworthy] 袁，S.，徐，D. 和吴，X.，2024年 可信异常检测。SDM 2024教程。\n\n.. [#Zha2020Meta] 查，D.，赖，K.H.，万，M. 和胡，X.，2020年。Meta-AAD：基于深度强化学习的主动异常检测。ICDM。\n\n.. [#Zhao2018Xgbod] 赵，Y. 和赫里涅维茨基，M.K.，2018年7月。XGBOD：利用无监督表示学习改进有监督离群点检测。载于2018年国际神经网络联合会议（IJCNN）。IEEE。\n\n.. [#Zhao2019LSCP] 赵，Y.，纳斯鲁拉，Z.，赫里涅维茨基，M.K. 和李，Z.，2019年5月。LSCP：并行离群点集成中的局部选择性组合。载于2019年 SIAM 国际数据挖掘会议（SDM）论文集，第585–593页。工业与应用数学学会。\n\n.. [#Zhao2019PYOD] 赵，Y.，纳斯鲁拉，Z. 和李，Z.，PyOD：用于可扩展离群点检测的 Python 工具箱。机器学习研究期刊，20卷，第1–7页。\n\n.. [#Zhao2020Automating] 赵，Y.，罗西，R.A. 和阿科格鲁，L.，2021年。自动无监督离群点模型选择。神经信息处理系统进展。\n\n.. [#Zhao2021SUOD] 赵，Y.，胡，X.，程，C.，王，C.，万，C.，王，W.，杨，J.，白，H.，李，Z.，肖，C. 和王，Y.，2021年。SUOD：加速大规模无监督异构离群点检测。机器学习与系统会议（MLSys）论文集。\n\n.. [#Zhao2021TOD] 赵，Y.，陈，G.H. 和贾，Z.，2021年。TOD：基于张量的离群点检测。arXiv 预印本 arXiv:2110.14007。\n\n.. [#Zhang2025LogSAD] 张，J.，王，G.，金，Y. 和黄，D.，2025年。迈向使用视觉与语言基础模型的免训练异常检测。载于CVPR 2025。\n\n.. [#Zhou2019AnomalyNet] 周，J.T.，杜，J.，朱，H.，彭，X.，刘，Y. 和吴，R.S.M.，2019年。AnomalyNet：用于视频监控的异常检测网络。IEEE 信息取证与安全汇刊。\n\n.. [#Zhou2021Feature] 周，Y.，宋，X.，张，Y.，刘，F.，朱，C. 和刘，L.（2021年）。利用自编码器进行特征编码以实现弱监督异常检测。IEEE 神经网络与学习系统汇刊，33(6)，2454–2465页。\n\n.. [#Zhu2019Tripartite] 朱，Y. 和杨，K.，2019年。三元主动学习用于交互式异常发现。IEEE Access。\n\n.. [#Zimek2012A] 齐梅克，A.，舒伯特，E. 和克里格尔，H.P.，2012年。关于高维数值数据中无监督离群点检测的综述。统计分析与数据挖掘：美国统计学会数据科学期刊，5(5)，第363–387页。\n\n.. [#Zimek2014Ensembles] 齐梅克，A.，坎佩洛，R.J. 和桑德，J.，2014年。无监督离群点检测中的集成方法：挑战与研究问题——立场文件。ACM Sigkdd 探索通讯，15(1)，第11–22页。\n\n.. [#Zong2018Deep] 宗，B.，宋，Q.，闵，M.R.，程，W.，卢梅扎努，C.，曹，D. 和陈，H.，2018年。用于无监督异常检测的深度自编码高斯混合模型。国际表征学习会议（ICLR）。\n\n.. [#Wang2023Drift] 王，C.，庄，Z.，齐，Q.，王，J.，王，X.，孙，H. 和廖，J.（2023年）。漂移无关紧要：利用扩散重建进行动态分解，用于不稳定多变量时间序列的异常检测。神经信息处理系统进展，36卷。","# anomaly-detection-resources 快速上手指南\n\n`anomaly-detection-resources` 并非一个可直接安装运行的软件库或工具包，而是一个**异常检测（Anomaly Detection）领域的开源学习资源汇总仓库**。它由南加州大学（USC）团队维护，旨在为研究人员和开发者提供该领域最全面的书籍、论文、数据集、代码库及教程索引。\n\n本指南将帮助您快速利用该仓库获取核心资源，并指引您使用其推荐的主流工具库（如 PyOD）进行实际开发。\n\n## 环境准备\n\n由于本项目主要是文档和资源链接集合，**无需特定的系统环境或依赖安装**即可浏览内容。但若您希望运行仓库中推荐的算法代码，建议准备以下基础环境：\n\n*   **操作系统**：Linux, macOS, 或 Windows\n*   **Python 版本**：推荐 Python 3.8 及以上版本（大多数推荐的库如 PyOD 均基于 Python）\n*   **包管理工具**：`pip` 或 `conda`\n*   **网络环境**：需能访问 GitHub 及学术资源网站（如 arXiv）。若访问 GitHub 较慢，建议配置国内镜像加速。\n\n## 获取与浏览资源\n\n您无需“安装”此仓库，只需克隆或在线浏览即可获取资源列表。\n\n### 1. 在线浏览（推荐）\n直接访问 GitHub 页面查看分类整理的资源：\n*   **仓库地址**: [https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources](https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources)\n*   **核心内容**:\n    *   **基准测试 (Benchmarks)**: 包含 ADBench, NLP-ADBench, GADBench 等最新评测结果及代码链接。\n    *   **工具箱 (Toolbox)**: 按数据类型分类（多维数据、时间序列、图数据等）的开源库列表。\n    *   **数据集 (Datasets)**: 各类异常检测标准数据集下载链接。\n    *   **论文与教程**: 涵盖从经典算法到最新 LLM 在异常检测中应用的前沿论文。\n\n### 2. 本地克隆\n如需离线查阅或贡献资源，可克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources.git\ncd anomaly-detection-resources\n```\n\n## 基本使用：从资源到实践\n\n本仓库的核心价值在于指引您找到合适的工具。以下是基于仓库推荐，快速开始异常检测项目的标准流程。\n\n### 步骤 1：选择核心工具库\n根据仓库 **3. Toolbox & Datasets** 章节的推荐，对于通用的多维数据异常检测，首选 **PyOD** 库（由同一作者维护，是该领域最流行的 Python 库之一）。\n\n*   **PyOD 地址**: [https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod](https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fpyod)\n*   **适用场景**: 信用卡欺诈、网络入侵检测、机械故障诊断等。\n\n### 步骤 2：安装 PyOD\n使用 pip 安装（推荐使用国内镜像源加速）：\n\n```bash\n# 使用阿里云镜像源安装\npip install pyod -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n\n# 或者安装完整版本（包含所有深度学习模型依赖）\npip install pyod[full] -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n### 步骤 3：运行第一个异常检测示例\n以下是最简单的使用示例，演示如何使用 PyOD 中的 **Isolation Forest (孤立森林)** 算法进行检测。代码逻辑参考了仓库中提及的经典算法类别。\n\n```python\nfrom pyod.models.iforest import IForest\nfrom pyod.utils.data import generate_data\nfrom pyod.utils.data import evaluate_print\n\n# 1. 生成模拟数据 (200 个正常样本，20 个异常样本)\nX_train, y_train, X_test, y_test = generate_data(\n    n_train=200, n_test=200, contamination=0.1, random_state=42\n)\n\n# 2. 初始化模型 (使用孤立森林算法)\nclf = IForest(contamination=0.1, random_state=42)\n\n# 3. 训练模型\nclf.fit(X_train)\n\n# 4. 在测试集上进行预测\n# y_pred_outliers: 预测标签 (1 为异常，0 为正常)\n# y_scores: 异常分数 (分数越高越可能是异常)\ny_pred_outliers = clf.predict(X_test)\ny_scores = clf.decision_function(X_test)\n\n# 5. 评估结果\nevaluate_print('IForest', y_test, y_pred_outliers)\n\n# 6. 查看前 5 个样本的检测结果\nprint(\"\\n前 5 个样本的真实标签:\", y_test[:5])\nprint(\"前 5 个样本的预测标签:\", y_pred_outliers[:5])\nprint(\"前 5 个样本的异常分数:\", y_scores[:5])\n```\n\n### 进阶探索\n回到 `anomaly-detection-resources` 仓库，您可以进一步探索：\n*   **时间序列检测**: 查看 `3.2 Time series outlier detection` 章节，尝试 `TODS` 或 `TSB-AD` 基准中的模型。\n*   **图数据检测**: 查看 `3.3 Graph Outlier Detection` 章节，使用 `PyGOD` 库。\n*   **最新基准**: 参考 `1.1 Benchmarks` 中的 `ADBench` 或 `NLP-ADBench` 代码链接，复现最新的 SOTA 模型对比实验。","某金融科技公司风控团队正紧急构建新一代信用卡欺诈识别系统，需要在极短时间内从海量交易数据中精准定位异常行为。\n\n### 没有 anomaly-detection-resources 时\n- **资源搜集如大海捞针**：团队成员需分散在 Google Scholar、GitHub 和各大学术网站手动搜索论文与代码库，耗时数周仍难以确认哪些算法最适合当前业务场景。\n- **技术选型缺乏依据**：面对数百种离群点检测算法，缺乏权威的基准测试（Benchmark）数据支持，导致模型选型主要靠经验猜测，试错成本极高。\n- **前沿技术跟进滞后**：对于 LLM（大语言模型）和 VLM（视觉语言模型）在异常检测领域的最新应用一无所知，容易错失利用新技术提升检出率的机会。\n- **数据与工具不匹配**：找不到高质量的标准数据集进行验证，且开源工具零散分布，文档质量参差不齐，集成难度极大。\n\n### 使用 anomaly-detection-resources 后\n- **一站式获取核心资源**：直接通过分类清晰的清单，快速获取从经典书籍、教程到最新顶会论文的全套学习资料，将调研周期从数周缩短至两天。\n- **科学决策模型方案**：利用集成的 ADBench 等权威基准测试结果，直观对比各算法在特定数据分布下的表现，迅速锁定最优算法组合。\n- **无缝对接前沿成果**：直接查阅专门整理的\"LLM 与智能体用于异常检测”章节，快速复现基于大模型的先进检测方案，显著提升对新型欺诈模式的识别能力。\n- **高效落地开发环境**：直接调用经过筛选的开源工具箱（如 PyOD）和标准数据集，统一了开发接口与评估标准，大幅降低工程实现门槛。\n\nanomaly-detection-resources 通过将分散的学术与工程资源系统化，帮助团队从盲目的“摸索式开发”转型为高效的“证据驱动型”落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyzhao062_anomaly-detection-resources_99bf1b67.png","yzhao062","Yue Zhao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyzhao062_b7512e00.jpg","Assistant Professor at USC | AI Auditing |  Making AI agents and systems inspectable, safe, and accountable","University of Southern California","Los Angeles, CA, USA",null,"https:\u002F\u002Fviterbi-web.usc.edu\u002F~yzhao010\u002F","https:\u002F\u002Fgithub.com\u002Fyzhao062",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,9234,1804,"2026-04-06T11:16:28","AGPL-3.0",1,"","未说明",{"notes":94,"python":92,"dependencies":95},"该仓库（anomaly-detection-resources）是一个异常检测领域的学习资源汇总列表，包含书籍、论文、数据集、工具库链接等，本身不是一个可执行的软件工具或代码库，因此没有具体的运行环境、依赖库或硬件需求。用户需根据列表中引用的具体子项目（如 PyOD, ADBench, NLP-ADBench 等）查阅其各自的文档以获取运行要求。",[],[16,35,14],[98,99,100,101,102,103,104,105,106,107,108,109,110,111,112,113,114],"outlier-detection","anomaly-detection","outlier","outlier-ensembles","time-series-analysis","data-mining","awesome","awesome-list","unsupervised-learning","fraud","fraud-detection","machine-learning","graph-neural-networks","large-language-models","llm","vlm","vlms","2026-03-27T02:49:30.150509","2026-04-07T09:51:08.705579",[118,123,128,133,138,143,148,153],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},21650,"教程中提到的论文《Which Anomaly Detector should I use?》链接失效了，在哪里可以找到？","该论文无法直接免费下载，但可以通过以下途径获取：1. 在 IEEE Computer Society 购买或查看：https:\u002F\u002Fwww.computer.org\u002Fcsdl\u002Fproceedings-article\u002Ficdm\u002F2018\u002F08594824\u002F17D45WHONnd；2. 在 ResearchGate 上查看：https:\u002F\u002Fwww.researchgate.net\u002Fpublication\u002F330031613_Which_Outlier_Detector_Should_I_use。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F37",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},21651,"XGBOD 论文的链接无法打开，显示连接错误，如何解决？","维护者已更新该论文的链接。如果您遇到类似 'Secure Connection Failed' 或 'PR_END_OF_FILE_ERROR' 的错误，请刷新页面或查看资源列表中的最新链接，旧的个人域名链接可能已失效。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F18",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},21652,"有哪些基于隔离（Isolation）机制的最新异常检测方法推荐？","除了经典的 iForest，还可以关注以下由 iForest 发明团队提出的新方法：1. Isolation Distributional Kernel (IDK)，代码地址：https:\u002F\u002Fgithub.com\u002FIsolationKernel\u002FCodes\u002Ftree\u002Fmain\u002FIDK；2. Isolation-based anomaly detection using nearest-neighbor ensembles (iNNE)，代码地址：https:\u002F\u002Fgithub.com\u002Fzhuye88\u002FiNNE。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F27",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},21653,"有没有针对 R 语言的异常检测包汇总资源？","有一个名为 'ctv-AnomalyDetection' 的项目汇总了 119 个用于异常检测的 R 包，可以在这里查看：https:\u002F\u002Fgithub.com\u002Fpridiltal\u002Fctv-AnomalyDetection。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F23",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},21654,"如何贡献新的自监督（Self-Supervised）异常检测论文到资源列表？","您可以提交 Pull Request (PR)。目前建议将此类论文提交到 'emerging tech'（新兴技术）章节（例如编号 4.18）。当自监督学习（SSL）相关的论文数量足够多时，可能会单独开辟一个新的章节。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F25",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},21655,"是否有适用于 SQL 数据仓库和数据库的异常检测工具推荐？","可以关注 'CueObserve'，这是一个专门用于 SQL 数据仓库和数据库异常检测的工具。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F28",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},21656,"Twitter 发布的 AnomalyDetection R 包是否有符合现代标准的更新版本？","是的，原 Twitter 包已更新以符合当前的 CRAN 标准。主要改进包括：核心函数现在只返回整洁的数据框（tidy data frames\u002Ftibbles），便于链式操作；提供了更短的蛇形命名别名（如 ad_ts 和 ad_vec）；并合并了原仓库中的多个重要 PR。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F9",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},21657,"关于异常检测问题的定义，有没有权威的元分析（Meta-analysis）文献？","推荐参考《A Meta-analysis of the Anomaly Detection Problem》，这被认为是对异常检测真实定义最全面的研究工作之一。链接：https:\u002F\u002Fwww.groundai.com\u002Fproject\u002Fa-meta-analysis-of-the-anomaly-detection-problem\u002F。","https:\u002F\u002Fgithub.com\u002Fyzhao062\u002Fanomaly-detection-resources\u002Fissues\u002F6",[]]