深度学习用于异常检测

这项调查的目的有两个方面，首先，我们对深度异常检测（deep anomaly detection，DAD）的研究方法进行结构化和全面的综述。此外，我们还将讨论在各种应用领域中采用DAD方法并评估其有效性。

目录

1. 介绍

   1. 什么是异常？
   2. 什么是新颖性？
   3. 动机和挑战：深度异常检测（DAD）技术
   4. 相关工作
   5. 我们的贡献
   6. 组织

2. 基于深度学习的异常检测的不同方面。

   1. 输入数据的性质
   2. 根据标签的可用性
      • 有监督的深度异常检测
      • 半监督深度异常检测
      • 无监督的深度异常检测
   3. 根据训练目标
      • Deep Hybrid Models（DHM）
      • One-Class Neural Networks（OC-NN）
   4. 异常类型
      • 点异常（PointAnomalies）
      • 上下文异常检测（Contextual Anomaly Detection）
      • 集体或群体异常检测（Collective or Group Anomaly Detection）
   5. DAD技术的输出
      • 异常评分（AnomalyScore）
      • 标签（Labels）

3. 深度异常检测的应用

   1. 入侵检测（Intrusion Detection）
   2. 基于主机的入侵检测系统（Host-Based Intrusion Detection Systems，HIDS）
   3. 网络入侵检测系统（Network Intrusion Detection Systems，NIDS）
   4. 欺诈识别（Fraud Detection）
   5. 银行欺诈（Banking fraud）
   6. 移动蜂窝网络欺诈（Mobile cellular network fraud）
   7. 保险欺诈（Insurance fraud）
   8. 医疗保健欺诈（Healthcare fraud）
   9. 恶意软件检测（Malware Detection）
   10. 医学异常检测（Medical Anomaly Detection）
   11. 深度学习用于社交网络中的异常检测（Deep learning for Anomaly detection in Social Networks）
   12. 日志异常检测（Log Anomaly Detection）
   13. 物联网（IoT）大数据异常检测（Internet of things (IoT) Big Data Anomaly Detection）
   14. 工业异常检测（Industrial Anomalies Detection）
   15. 时间序列中的异常检测（Anomaly Detection in TimeSeries）
   16. 视频监控（Video Surveillance）4。####深度异常检测（DAD）模型
   17. 有监督的深度异常检测
   18. 半监督深度异常检测
   19. 综合深度异常检测（Hybrid deep anomaly detection）
   20. 一类神经网络（OC-NN）用于异常检测
   21. 无监督的深度异常检测
   22. 各种各样的技术（Miscellaneous Techniques）
       • 基于迁移学习的异常检测（Transfer Learning based anomaly detection）
       • 基于零次/零样本学习的异常检测（Zero Shot learning based anomaly detection）
       • 基于集成的异常检测（Ensemble based anomaly detection）
       • 基于聚类的异常检测（Clustering based anomaly detection）
       • 基于深度强化学习（DRL）的异常检测（Deep Reinforcement Learning (DRL) based anomaly detection）
       • 统计技术深度异常检测（Statistical techniques deep anomaly detection）

4. 用于定位异常的深度神经网络架构

   1. 深度神经网络（DNN）
   2. 时空网络（Spatio Temporal Networks，STN）
   3. 乘积网络（Sum-Product Networks，SPN）
   4. Word2vec模型
   5. 生成模型（Generative Models）
   6. 卷积神经网络（Convolutional Neural Networks）
   7. 序列模型（Sequence Models）
   8. 自动编码器（Autoencoders）

5. 相对强弱：深度异常检测方法

6. 结论

github链接:https://github.com/raghavchalapathy/Deep-Learning-for-Anomaly-Detection-A-Survey

论文链接：https://arxiv.org/pdf/1901.03407.pdf