anomaly-detection

Implémentation officielle de "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.

Ressources sur la détection hors distribution, la robustesse et la généralisation. Ce dépôt contient une liste organisée d'articles, de tutoriels, de livres, de vidéos et de bibliothèques open source.

Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphes et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'exploration de règles bayésiennes, et la description pour la diversité/explication/interprétabilité. Analyse de l'intégration des retours d'étiquetage avec des détecteurs d'ensemble et basés sur des arbres. Inclut des attaques adverses avec Graph Convolutional Network.

Un extracteur de modèles de logs en streaming robuste basé sur l'algorithme Drain.

Implémentation officielle de "Segment Any Anomaly without Training via Hybrid Prompt Regularization (SAA+)".

MOMENT : Une famille de modèles de fondation pour séries temporelles, ICML'24

Luminaire est un package Python fournissant des solutions basées sur le ML pour la surveillance de données de séries temporelles.

Détection d'anomalies sur des graphes dynamiques (évolutifs) en temps réel et en flux. Détection d'intrusions (attaques DoS et DDoS), de fraudes et d'anomalies de notation.

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

[VLDB'22] Détection d'anomalies à l'aide de Transformers, d'auto-conditionnement et d'apprentissage contradictoire.

Ressources pour travailler avec des séries temporelles et des données séquentielles

Module Python pour le traitement d'images hyperspectrales.

Un modèle unifié de séries temporelles multi-tâches.

OpenChatBI est un outil intelligent de BI basé sur le chat, alimenté par des modèles de langage de grande taille, conçu pour aider les utilisateurs à interroger, analyser et visualiser des données via des conversations en langage naturel. Il utilise LangGraph et LangChain pour créer des agents de chat et des workflows prenant en charge la conversion du langage naturel en SQL et l'analyse de données.

Real Intelligence Threat Analytics (RITA) est un framework pour détecter les communications de commande et de contrôle grâce à l'analyse du trafic réseau.

Dépôt de l'article "A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series".

Détection d'anomalies en temps réel pour les métriques de séries temporelles. 11 ans d'évolution de la détection d'anomalies en production. Ensembles multi-algorithmes. Reconnaissance de motifs par apprentissage semi-supervisé et non supervisé. Analyse de corrélation. Apprend et s'améliore au fil du temps. Aucun GPU requis, peut tourner sur un VPS.

Détection d'anomalies et de valeurs aberrantes basée sur le deep learning

Une étude complète sur les domaines des séries temporelles.

Ce dépôt contient une liste de lecture d'articles sur la segmentation de séries temporelles. Ce dépôt est en amélioration continue.

Implémentation de l'algorithme Robust Random Cut Forest pour la détection d'anomalies sur les flux de données.

Détections opportunes pour des actions plus proactives et efficaces dans les puits de pétrole offshore

[CVPR 2025] Implémentation officielle de "Dinomaly: The Less Is More Philosophy in Multi-Class Unsupervised Anomaly Detection". Le premier modèle UAD multi-classes capable de rivaliser avec les SOTA mono-classe.

Un framework open source robuste et flexible d'analyse du comportement des utilisateurs et des entités (UEBA) pour l'analyse de sécurité. Développé avec passion par des data scientists et des analystes en sécurité de l'industrie de la cybersécurité. [BETA]