c_cpp_csharp的专栏

异常检测（AD）是一项重要的机器学习任务，具有许多实际用途，包括欺诈检测、医疗诊断和工业监控。在自然语言处理（NLP）中，AD有助于检测垃圾邮件、错误信息和异常用户活动等问题。尽管大型语言模型（LLMs）对文本生成和摘要等任务产生了强烈的影响，但它们在AD中的潜力还没有得到足够的研究。本文介绍了AD-LLM，这是第一个评估LLM如何帮助NLP异常检测的基准。我们研究了三个关键任务：（i）零样本检测，使用LLM的预训练知识在没有特定任务训练的情况下执行AD；

检测动态图的异常边缘旨在识别明显偏离正常模式的边缘，并可应用于各种领域，例如网络安全、金融交易和 AIOps。随着时间的推移，异常边缘的类型不断涌现，每种类型的标记异常样本都很少。当前方法要么旨在检测随机插入的边缘，要么需要足够的标记数据进行模型训练，这损害了它们在实际应用中的适用性。在本文中，我们通过配合大型语言模型 （LLM） 中编码的丰富知识来研究这个问题，并提出了一种方法，即 AnomalyLLM。

这篇系统的文献综述全面考察了大型语言模型（LLM）在预测和异常检测中的应用，强调了研究的现状、固有挑战和未来的发展方向。LLM在解析和分析广泛的数据集以识别模式、预测未来事件和检测各个领域的异常行为方面表现出了巨大的潜力。然而，这篇综述确定了阻碍其更广泛采用和有效性的几个关键挑战，包括对庞大历史数据集的依赖、不同背景下的可推广性问题、模型幻觉现象、模型知识边界内的局限性以及所需的大量计算资源。

金融公司风控模型与算法整理

本文是对《Artificial intelligence based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives》的翻译。基于人工智能的建筑能耗异常检测：综述、当前趋势和新观点摘要1. 引言2. 异常检测方法的回顾2.1 回顾2.1.1 非监督检测（U）2.1.2 监督检测（S）2.1.3 集成方法（E）2.1.4 特征提取（F）2.1.5 混合学习（

在过去几年中，异常检测是机器学习的一个子领域，主要关注罕见事件的检测，随着深度学习模型的空前增长，异常检测得到了极大的改进。最近，自监督学习的出现引发了新的异常检测算法的发展，其精度大大超过了最先进的水平。本文旨在回顾自监督异常检测的现有方法。我们介绍了常用方法的技术细节，并讨论了它们的优缺点。我们还将这些模型的性能与其他最先进的异常检测模型进行了比较。最后，我们讨论了改进现有算法的各种新方向。

本文是对《Deep Learning for Anomaly Detection: A Review》的翻译。深度学习进行异常检测：综述摘要1 引言2 异常检测：问题复杂性和挑战2.1 主要问题复杂性2.2 深度异常检测面临的主要挑战3 解决深度异常检测的挑战3.1 前言3.2 深度异常检测的分类4 用于特征提取的深度学习5 常态性的特征表示学习5.1 特征学习的一般常态5.2 异常度量独立特征学习6 端到端异常得分学习6.1 排序模型6.2 先验驱动模型6.3 软最大似然模型6.4 端到端一类分类7 算

摘要1 引言2 背景3 回顾离群定义和合成标准3.1 序列数据中的行为3.2 细化连续离群值定义3.2.1 点离群3.2.2 模式离群3.3 合成离群值4 基准实验4.1 数据集描述4.2 序列数据离群检测算法4.3 结果与分析5 讨论6 结论​时间序列离群点检测在过去十年中得到了广泛的研究，提出了许多先进的算法。尽管做出了这些努力，但很少有研究调查我们应该如何对现有算法进行基准测试。特别是，使用合成数据集进行评估已成为文献中的常见做法，因此，有一个通用的综合标准来对算法进行基准测试至关重要。