异常检测【Anomaly Delect】

异常：偏离数据主要部分的点或者群体，导致异常的原因很多，比如恶意行为、系统故障、蓄意欺诈等等，异常检测对于决策系统是必须的。

异常一般分为三个类别：1.点异常 2.连续性异常(群组异常) 3.上下文异常(时间序列)

异常检测的解决办法：
按模型类别划分：有监督（supervised）、半监督(semi-supervised)、无监督(unsupervised)、复合模型的方法(hybrid)。

有监督不是研究的主要对象，因为异常是多种多样的，很难枚举出异常残生的原因，第二是因为异常样本对于所有样本来说数量是比较少的。因此，获取异常的label是很困难的。

重点会放在无监督的方法上（unsupervised和hybrid）。

无监督缺乏稳定性。

Fraudar:

解决的问题：在一个二部图中，找到最密集的一个子图作为最异常的去找群组。（并且这个密集子图是抗伪装的）

伪装：为了降低密集图的异常性，从而降低被识别出来的可能性。

cv之工业缺陷检测 工业缺陷检测与异常检测中异常的关联与差异

工业检测中包括多类产品，缺陷可以视为外观上的异常，而与异常检测不同的是，工业缺陷往往出现在图像中的小部分区域，显著程度更低。