深度学习如何异常检测？看这份KDD2021《可解释深度异常检测》教程，附Slides

【导读】ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）是世界数据挖掘领域的最高级别的学术会议，由 ACM 的数据挖掘及知识发现专委会（SIGKDD）主办，被中国计算机协会推荐为 A 类会议。自 1995 年以来，KDD 已经连续举办了26届，今年将于2021年8月14日至18日举办，今年的会议主办地在新加坡。

来自 Adelaide大学的研究人员在KDD2021上将给出关于可解释深度异常检测的教程，非常值得关注!

异常检测可以为许多安全关键或具有商业意义的现实世界应用提供重要的洞察，如极端气候事件检测、机械故障检测、恐怖主义检测、欺诈检测、恶意URL检测，仅举几例。由于这个意义，它已经被广泛研究了几十年，有许多浅显的方法被提出。然而，这些方法面临着各种数据复杂性的挑战，如高维性、数据相关性、数据异构性等。近年来，深度学习在解决这些复杂性方面取得了巨大的成功，在广泛的应用中，但由于异常的一些独特特征，例如稀罕性、异质性、无界性、以及收集大规模异常数据的高昂成本。因此，针对异常检测的深度学习技术进行了大量的研究。这些研究表明，在解决浅层异常检测方法在不同应用环境中失败的一些主要挑战方面取得了巨大成功。

在本教程中，我们旨在全面回顾基于深度学习的异常检测和解释的进展。首先介绍了12类最先进的深度异常检测方法的关键直觉、目标函数、基本假设和优缺点。异常解释通常与异常检测一样重要，这对于深度检测模型——“黑箱”模型尤其如此，因此我们也介绍了一些用于为深度检测模型提供异常解释的原则方法。与许多其他数据挖掘任务相比，深度异常检测的探索要少得多。我们旨在通过本教程积极推动其在算法、理论和评估方面的发展。

https://sites.google.com/site/gspangsite/kdd21_tutorial