anomaly-detection

Offizielle Implementierung von "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.

Ressourcen zu Out-of-Distribution-Erkennung, Robustheit und Generalisierung. Das Repository enthält eine kuratierte Liste von Arbeiten, Tutorials, Büchern, Videos, Artikeln und Open-Source-Bibliotheken etc.

Eine Sammlung von Anomalieerkennungsmethoden (IID/punktbasiert, Graphen und Zeitreihen) einschließlich aktiverem Lernen zur Anomalieerkennung/-entdeckung, Bayes'schem Regelmining und Beschreibung für Diversität/Erklärung/Interpretierbarkeit. Analyse der Einbindung von Feedback zu Labels mit Ensemble- und baumbasierten Detektoren. Beinhaltet gegnerische Angriffe mit Graph Convolutional Networks.

Ein robuster Streaming-Log-Template-Miner basierend auf dem Drain-Algorithmus

Offizielle Implementierung von „Segment Any Anomaly without Training via Hybrid Prompt Regularization (SAA+)“.

MOMENT: Eine Familie offener Zeitreihen-Basismodelle, ICML'24

Luminaire ist ein Python-Paket, das ML-gestützte Lösungen zur Überwachung von Zeitreihendaten bereitstellt.

Anomalieerkennung in dynamischen (zeitlich veränderlichen) Graphen in Echtzeit und als Stream. Erkennung von Intrusionen (DoS- und DDoS-Angriffen), Betrug und gefälschten Bewertungsanomalien.

Code für Hands-on Unsupervised Learning Using Python (O'Reilly Media)

[VLDB'22] Anomalieerkennung unter Verwendung von Transformern, Self-Conditioning und Adversarial Training.

Ressourcen für die Arbeit mit Zeitreihen- und Sequenzdaten

Python-Modul zur hyperspektralen Bildverarbeitung

Ein einheitliches Multitask-Modell für Zeitreihen.

OpenChatBI ist ein intelligentes, chatbasiertes BI-Tool, das von großen Sprachmodellen angetrieben wird und Benutzern hilft, Daten über Unterhaltungen in natürlicher Sprache abzufragen, zu analysieren und zu visualisieren. Es verwendet LangGraph und LangChain, um Chat-Agenten und Workflows zu erstellen, die die Konvertierung von natürlicher Sprache in SQL sowie die Datenanalyse unterstützen.

Real Intelligence Threat Analytics (RITA) ist ein Framework zur Erkennung von Command-and-Control-Kommunikation durch Netzwerkverkehrsanalyse.

Repository zum Papier „A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series“.

Echtzeit-Anomalieerkennung für Zeitreihenmetriken. 11 Jahre Evolution in der produktiven Anomalieerkennung. Multi-Algorithmus-Ensembles. Mustererkennung mittels semi-überwachtem und unüberwachtem Lernen. Korrelationsanalyse. Lernt und verbessert sich kontinuierlich. Keine GPU erforderlich, auf einem VPS ausführbar.

Deep-Learning-basierte Ausreißer-/Anomalieerkennung.

Ein umfassender Überblick über Zeitreihen-Domänen.

Dieses Repository enthält eine Leseliste mit wissenschaftlichen Arbeiten zur Zeitreihensegmentierung. Das Repository wird kontinuierlich erweitert.

Implementierung des Robust Random Cut Forest-Algorithmus zur Anomalieerkennung in Datenströmen

Rechtzeitige Erkennung für proaktivere und effektivere Maßnahmen in Offshore-Ölquellen.

[CVPR 2025] Offizielle Implementierung von "Dinomaly: The Less Is More Philosophy in Multi-Class Unsupervised Anomaly Detection". Das erste Multi-Class-UAD-Modell, das mit Single-Class-SOTAs konkurrieren kann.

Ein robustes und flexibles Open-Source-Framework für User & Entity Behavior Analytics (UEBA) zur Sicherheitsanalyse. Entwickelt von Datenwissenschaftlern und Sicherheitsexperten aus der Cybersicherheitsbranche. [BETA]