异常检测，又称为离群点检测或新奇检测，是识别那些显著偏离大多数数据实例的过程。在过去的几十年里，异常检测一直是许多研究社区中的一个活跃且重要的研究领域。最早的探索可追溯到20世纪60年代。随着在广泛领域中的需求和应用不断增加，比如风险管理、合规、安全、金融监控、健康和医疗风险以及人工智能安全等，异常检测在不同的社区中扮演着越来越重要的角色。
近年来，基于深度学习的异常检测，也就是深度异常检测，已经成为一个关键的研究方向。这种文章对深度异常检测的研究进行综述，提出了一个全面的分类体系，涵盖了方法论中3个高级类别和11个细粒度类别的进展。本文回顾了它们的核心直觉、目标函数、潜在假设、优点以及缺点，并讨论了它们是如何应对前面提到的挑战的。此外，本文还进一步讨论了可能的未来机会以及解决这些挑战的新视角。
CCS概念涵盖了以下方面：
- 计算方法 → 异常检测；机器学习；场景异常检测；神经网络；
- 安全与隐私 → 入侵/异常检测和恶意软件缓解；
额外的关键字和短语包括：异常检测、深度学习、离群点检测、新奇检测、单类分类。
异常检测是数据挖掘、机器学习、计算机视觉和统计学等多个社区所关注的重点。由于各种应用的不断涌现，异常检测的需求正在不断增长。随着技术的发展，尤其是深度学习技术的应用，为异常检测提供了新的手段和方法，也为解决传统方法中遇到的问题和挑战提供了新的思路。
深度学习方法在异常检测中的应用包括但不限于：
- 通过深度神经网络的复杂特征学习，可以更好地表示和区分正常数据与异常数据。
- 利用深度学习的端到端学习能力，可以自动从大规模数据中提取表示异常的特征。
- 应用特定的深度学习架构，如卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（Autoencoder）等，对不同类型的数据进行有效检测。
然而，深度异常检测方法也面临一些挑战和问题，比如：
- 高计算成本，尤其是在需要处理大规模数据集时。
- 对训练数据的依赖性较高，需要大量标注的正常和异常样本进行训练，而这些样本往往难以获得。
- 需要调参优化，深度学习模型通常需要大量的超参数调整来获得最佳性能，这增加了实际应用的复杂性。
- 模型解释性差，深度学习模型由于其复杂的内部结构，往往被视为“黑箱”，难以解释模型的决策过程。
因此，未来的研究方向可以关注于：
- 研究更高效的深度学习算法，以减少计算成本并提高模型处理速度。
- 探索无监督或半监督学习方法，以减少对大量标注数据的依赖。
- 发展模型解释性工具，提升深度学习模型的透明度和可信度。
- 通过应用迁移学习等技术，来提高深度学习模型的泛化能力，从而更好地适应新的应用场景。
深度学习在异常检测领域展现出了巨大的潜力，同时也伴随着新的挑战和问题。通过不断地研究与改进，可以预见深度学习将在异常检测领域扮演更加重要的角色。
