anomaly-detection

Mã nguồn chính thức của "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.

Tài nguyên về phát hiện phân bố ngoài, tính mạnh mẽ và khả năng tổng quát hóa. Kho lưu trữ chứa danh sách các bài báo, hướng dẫn, sách, video, bài viết và thư viện mã nguồn mở được tuyển chọn

Bộ sưu tập các phương pháp phát hiện bất thường (dựa trên iid/điểm, đồ thị và chuỗi thời gian), bao gồm học chủ động để phát hiện/khám phá bất thường, khai thác quy tắc Bayesian, mô tả cho sự đa dạng/giải thích/khả năng diễn giải. Phân tích việc kết hợp phản hồi nhãn với các bộ phát hiện dựa trên cây và ensemble. Bao gồm các cuộc tấn công đối nghịch với Graph Convolutional Network.

Một công cụ khai thác mẫu nhật ký phát trực tuyến mạnh mẽ dựa trên thuật toán Drain

Bản triển khai chính thức của "Segment Any Anomaly without Training via Hybrid Prompt Regularization (SAA+)".

MOMENT: Một dòng mô hình nền tảng chuỗi thời gian mở, ICML'24.

Luminaire là một gói Python cung cấp các giải pháp dựa trên ML để giám sát dữ liệu chuỗi thời gian.

Phát hiện bất thường trên các đồ thị động (thay đổi theo thời gian) theo thời gian thực và dạng streaming. Phát hiện xâm nhập (tấn công DoS và DDoS), gian lận, và các bất thường trong đánh giá giả mạo.

Mã nguồn cho cuốn sách Hands-on Unsupervised Learning Using Python (O'Reilly Media).

[VLDB'22] Phát hiện bất thường sử dụng Transformers, tự điều kiện hóa và huấn luyện đối nghịch.

Tài nguyên để làm việc với dữ liệu chuỗi thời gian và dữ liệu trình tự

Module Python để xử lý hình ảnh siêu phổ (hyperspectral)

Một mô hình chuỗi thời gian đa nhiệm thống nhất.

OpenChatBI là công cụ BI dựa trên trò chuyện thông minh được hỗ trợ bởi các mô hình ngôn ngữ lớn, được thiết kế để giúp người dùng truy vấn, phân tích và trực quan hóa dữ liệu thông qua các cuộc hội thoại bằng ngôn ngữ tự nhiên. Nó sử dụng LangGraph và LangChain để xây dựng các tác nhân trò chuyện và quy trình làm việc hỗ trợ chuyển đổi ngôn ngữ tự nhiên sang SQL và phân tích dữ liệu.

Real Intelligence Threat Analytics (RITA) là một khung làm việc để phát hiện giao tiếp điều khiển và chỉ huy thông qua phân tích lưu lượng mạng.

Kho lưu trữ của bài báo "A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series".

Phát hiện bất thường theo thời gian thực cho các chỉ số chuỗi thời gian. 11 năm phát triển trong môi trường sản xuất. Kết hợp nhiều thuật toán. Nhận dạng mẫu sử dụng học máy bán giám sát và không giám sát. Phân tích tương quan. Tự học và cải thiện theo thời gian. Không yêu cầu GPU, có thể chạy trên VPS.

Phát hiện ngoại lệ/bất thường dựa trên học sâu.

Khảo sát toàn diện về các lĩnh vực chuỗi thời gian

Kho lưu trữ này chứa danh sách các bài báo về Phân đoạn chuỗi thời gian. Kho lưu trữ này vẫn đang được cải thiện liên tục.

Triển khai thuật toán Robust Random Cut Forest để phát hiện bất thường trên các luồng dữ liệu

Phát hiện kịp thời để có các hành động chủ động và hiệu quả hơn tại các giếng dầu ngoài khơi!

[CVPR 2025] Triển khai chính thức của "Dinomaly: Triết lý Less Is More trong phát hiện bất thường không giám sát đa lớp". Mô hình UAD đa lớp đầu tiên có thể cạnh tranh với các mô hình SOTA đơn lớp

Một framework Phân tích Hành vi Người dùng & Thực thể (UEBA) mã nguồn mở mạnh mẽ và linh hoạt dùng cho Phân tích Bảo mật. Được phát triển bởi các nhà khoa học dữ liệu và chuyên gia phân tích bảo mật từ ngành An ninh mạng. [BETA]