异常检测
机器学习技术路径之一，通过建立正常行为的基准模型，标记与之显著偏离的异常案例，可用于识别强迫劳动等异常劳动关系
时间轴 (近 90 天)
解决基线漂移和冷启动的常见做法包括滑动窗口动态更新基线、发布事件后触发基线重置、设置最短观测期再开启检测
异常检测面临误报率、基线漂移、冷启动等工程挑战，并非银弹
异常检测关注指标模式相对于历史基线的偏离，即使绝对数值仍在正常范围内也能识别异常行为模式
RADAR 提出用异常检测来弥补传统监控的盲区
传统监控依赖预先设定的静态阈值，静态阈值要么过于敏感产生大量误报，要么过于宽松错过真正的问题
机器学习模型可以学习系统的正常行为基线，动态识别偏离常态的信号，从而在故障爆发前发出预警
在几乎没有缺陷样本的工业检测场景中，应优先考虑异常检测而非监督学习，因为拥有的是海量良品而非缺陷
仅基于良品的异常检测方法误报率高，因为它对异常的定义过于宽泛，污渍或摆放角度偏差都会被标记为异常
通过固定光照、机械定位、图像配准等手段控制输入一致性，可在进入异常检测模型前消除环境干扰，显著降低误报
通过学习正常工具调用模式识别偏离基线的可疑行为序列，能发现未知攻击模式而不依赖预定义规则库
还有 5 条时间轴事件
全部知识事实 (15)
可利用机器学习技术进行异常检测，在故障发生前识别风险信号
60%待验证异常检测面临误报率、基线漂移、冷启动等工程挑战，并非银弹
50%待验证异常检测关注指标模式相对于历史基线的偏离，即使绝对数值仍在正常范围内也能识别异常行为模式
50%待验证RADAR 提出用异常检测来弥补传统监控的盲区
50%待验证解决基线漂移和冷启动的常见做法包括滑动窗口动态更新基线、发布事件后触发基线重置、设置最短观测期再开启检测
50%待验证机器学习模型可以学习系统的正常行为基线，动态识别偏离常态的信号，从而在故障爆发前发出预警
50%待验证传统监控依赖预先设定的静态阈值，静态阈值要么过于敏感产生大量误报，要么过于宽松错过真正的问题
50%待验证在几乎没有缺陷样本的工业检测场景中，应优先考虑异常检测而非监督学习，因为拥有的是海量良品而非缺陷
50%待验证仅基于良品的异常检测方法误报率高，因为它对异常的定义过于宽泛，污渍或摆放角度偏差都会被标记为异常
50%待验证通过固定光照、机械定位、图像配准等手段控制输入一致性，可在进入异常检测模型前消除环境干扰，显著降低误报
50%待验证通过学习正常工具调用模式识别偏离基线的可疑行为序列，能发现未知攻击模式而不依赖预定义规则库
50%待验证虚假账号检测在异常检测领域面临类别不平衡、标注数据稀缺和对抗性演化等经典挑战
50%待验证虚假账号检测是一个典型的异常检测(Anomaly Detection)问题,单一特征往往不足以准确判断
50%待验证AI欺诈检测依赖监督学习（对新申请进行欺诈概率评分）和无监督学习（聚类分析和异常检测）两大技术路径
50%待验证在个人作品集中，预测+异常检测方向因异常检测与MLOps的监控环节高度契合，比单纯的能耗预测更具技术差异化和业务价值
50%