#异常检测

SynapseML是一个开源库，旨在简化大规模机器学习管道的创建。它提供简单、可组合和分布式的API，支持文本分析、视觉处理、异常检测等多种任务。基于Apache Spark，SynapseML与SparkML/MLLib共享相同的API，能够无缝集成到现有的Spark工作流中。该库支持Python、R、Scala、Java和.NET，适用于各种数据库和云数据存储，助力构建智能系统。

PyOD是Python领域应用广泛的异常检测工具库，自2017年起支持学术与商业用途。这个库集成了超过50种算法，涵盖从经典方法到最新的深度学习技术。它提供统一的操作界面，高性能的处理效率和快速训练预测功能，已被下载超过1700万次，得到了机器学习领域的广泛认可。

Darts是一个用户友好且灵活的Python库，专注于时间序列的预测与异常检测。它提供了一系列从ARIMA到深度神经网络的多样化模型，通过统一的fit()和predict()接口简化操作，类似于scikit-learn。此外，Darts支持包括多变量和外部数据在内的复杂时间序列处理，并为大规模数据集提供高效解决方案。它还拥有全面的异常检测功能，允许进行深入的异常分析和评分。

TSLib为深度学习研究者提供了一个专业开源时间序列分析库，涵盖广泛的应用领域，如长短期预测、数据填充、异常检测和分类。本库提供清晰的代码基础，支持时间序列模型的评估与开发，包括最新的模型评估和深度时间序列研究成果。该工具适合科研和开发人员使用，以推动时间序列分析的未来研究与实践。

本项目专业整理了Transformers在时序数据建模中的资源，涵盖论文、代码和数据，全面总结其最新进展。内容持续更新，开放问题提交和拉取请求，覆盖时序预测、不规则时序建模、异常检测和分类等领域，适合学术研究及实际应用。

Anomaly-Transformer是一种时间序列异常检测模型，利用关联差异作为可区分标准，并结合Anomaly-Attention机制和极小极大策略提高检测效果。该模型在多个基准数据集上展现出优秀性能，为无监督时间序列异常检测领域提供了新的解决方案。

Netdata是一款开源监控工具,每秒收集服务器、容器和应用的指标数据,通过低延迟仪表盘实时展示。支持从单机到大规模集群的监控,适用于物理机、虚拟机、云环境和Kubernetes。具备低维护成本、异常检测、自动化仪表盘等特性,是一种高效节能的监控解决方案。

Anomalib是一个专注于视觉异常检测的开源深度学习库。它提供多种先进算法实现，支持模型训练、推理、基准测试和超参数优化。该库基于Lightning框架开发，简化了代码结构，并支持模型导出为OpenVINO格式以加速推理。Anomalib还包含便捷的推理工具，方便用户快速部署异常检测模型。其模块化设计和完善的文档使其成为研究和应用视觉异常检测的理想工具。

Merlion是一个功能丰富的Python时间序列分析库,集成了预测、异常检测和变点检测等多项能力。它支持单变量和多变量时间序列,提供标准化数据处理、多种算法模型、自动调参、外部变量支持等特性。Merlion还包含实用的后处理规则和灵活的评估流程,可帮助快速开发和基准测试时间序列模型。

pyoats是一个专注于时间序列异常检测的开源Python库。它整合了多种先进检测算法，支持单变量和多变量时间序列分析，并提供统一的输出接口。该项目不仅集成了PyTorch、TensorFlow等深度学习框架，还包含传统统计方法。pyoats旨在简化异常检测实验流程，为数据科学家和工程师提供了一个功能丰富、使用灵活的工具。

Anomify为实时异常检测平台，致力于优化指标监控流程。平台采用先进算法分析数据，实时检测异常并告警，减少误报并加速问题解决。适用对象包括管理者、SRE和DevOps工程师，支持多种时间序列数据库和通知方式，有助于提升系统性能监控效率，快速识别和处理问题。

ad_examples是一个异常检测Python库,实现了主动异常发现(AAD)算法。项目包含多种检测技术,涵盖无监督、时间序列和人机交互场景。AAD算法利用专家反馈和集成学习提高检测效率。库提供详细文档和API,适合异常检测研究和应用。

tsmoothie是一个Python库，专门用于时间序列平滑和异常检测。它提供多种平滑技术，包括指数平滑、卷积平滑和谱平滑等，能高效处理单个或多个时间序列。该库支持计算置信区间，便于识别异常值，并实现了滑动窗口平滑和时间序列bootstrap功能。tsmoothie适用于各类时间序列分析任务，是数据科学家和分析师的有力工具。

control-flag是一种自监督异常模式检测系统,通过挖掘开源代码库中C/C++等高级语言的控制结构,学习典型模式并检测用户代码中的异常。该系统包含模式挖掘和异常扫描两个阶段,可用于发现拼写错误、缺失NULL检查等问题,有助于识别代码潜在缺陷并提升软件质量。

WinCLIP是计算机视觉领域的创新零样本和少样本异常检测算法，专注于异常分类和异常分割。该方法在MVTec-AD和VisA数据集上表现出色，在图像级和像素级异常检测任务中均展现优异性能。项目提供完整实现代码，包含环境配置、数据集准备和结果复现指南，为研究人员和开发者提供重要参考，推动了异常检测技术的发展。

Cruise Control是一款为Apache Kafka集群设计的自动化管理工具。它具备资源跟踪、状态查询、多目标再平衡、异常检测和自修复等功能，可帮助管理员高效管理Kafka集群，实现资源优化和故障恢复。该工具支持可插拔组件，适应多种环境，并提供REST API方便集成。Cruise Control致力于简化大规模Kafka集群的运维工作，提升系统稳定性和性能。

NuPIC是实现分层时间记忆(HTM)学习算法的开源机器智能平台,专注于时间序列数据的异常检测和预测。目前该项目处于维护模式,仅进行小版本更新和关键bug修复。NuPIC支持Linux、MacOS和Windows系统,可通过pip安装。该平台为研究人员和开发者提供探索类脑计算模型的工具,推动人工智能领域的发展。

alibi-detect是一个开源的异常值、对抗性和漂移检测Python库。它为表格数据、文本、图像和时间序列提供在线和离线检测器。库中包含多种算法,如用于异常检测的孤立森林、马氏距离和自编码器,以及用于漂移检测的KS检验和MMD。alibi-detect兼容TensorFlow和PyTorch,并具有内置预处理功能,可检测各种类型的数据漂移。

TODS是一个专注于多变量时间序列数据异常检测的全栈自动化机器学习系统。它提供数据处理、时间序列处理、特征分析等全面模块,支持点级、模式级和系统级三种检测场景。TODS的主要特点包括全栈机器学习功能、广泛的算法支持,以及能够自动搜索最佳模块组合构建最优管道的自动化机器学习能力。

ELKI是一个Java开源数据挖掘框架，重点研究聚类分析和异常检测算法。该框架提供了众多可参数化的算法和数据索引结构，以提升性能和扩展性。ELKI采用模块化设计，方便研究人员和学生进行扩展，并鼓励贡献新方法。作为一个公平、实用的算法评估和基准测试平台，ELKI支持多种数据类型、距离度量和文件格式。

TagAnomaly是一款开源的多时间序列异常检测数据标注工具。它提供直观的可视化界面，支持用户在时间序列上选择和检查异常点，比较不同类别的时间序列，并利用Twitter异常检测算法提供参考。该工具还支持观察类别间分布变化，有助于创建高质量的异常检测模型训练数据集。TagAnomaly适用于需要处理多类别时间序列数据的数据科学和分析项目。

Luminaire是一个开源的Python库，专门用于时间序列数据的异常检测和预测。它集成了数据预处理、建模和配置优化功能，可自动处理各类时间序列数据。该库支持批处理和流式数据监控，能识别相关性和季节性模式，并适应数据随时间的变化。Luminaire设计简单易用，仅需少量配置即可实现高效的异常检测。

本项目汇集了时间序列预测领域的最新论文、代码和相关资源。内容涵盖M4竞赛、Kaggle时间序列竞赛、学术研究、理论基础、实践工具和数据集等。为研究人员和从业者提供全面的参考资料，促进时间序列预测技术的深入研究与应用。

anomalize是一个R语言包，用于时间序列异常检测。它提供时间序列分解、异常检测和重组等功能，可有效分离正常数据和异常数据。该工具支持直观的可视化，并可通过清理异常值提高预测准确性。虽然核心功能已被timetk包替代，但anomalize仍保留原有功能以支持现有代码。

HyperTS是一款全面的时间序列分析工具包，集成了统计模型、深度学习和神经架构搜索。它支持预测、分类、回归和异常检测等多种任务，适用于复杂的时间序列分析场景。该工具包提供多变量和协变量支持，概率区间预测，以及丰富的预处理、评估指标和搜索策略。HyperTS简单易用，为时间序列分析提供了端到端的自动化解决方案。

本项目汇集了异常检测领域的全面学习资源,包括书籍、论文、课程、数据集和工具库。涵盖多变量数据、时间序列和图网络等多种异常检测类型,并提供关键算法、高维数据和集成方法等研究方向的资料。同时列出重要会议和期刊,为异常检测研究者和实践者提供了宝贵的资源库。

pytorch-ood是一个专为深度学习设计的异常检测库。该库提供多种检测方法、损失函数、数据集和神经网络架构，支持预训练权重，并兼容pytorch-lightning等框架。它涵盖开放集识别、新颖性检测、置信度估计等领域，采用统一的异常分数约定，方便比较不同方法。这个基于PyTorch的工具库为研究人员和开发者提供了全面的异常检测解决方案。

这个项目汇集了开放集识别、分布外检测、开放集域适应和开放世界识别等领域的精选论文和资源。内容包括最新教程、研究挑战和学术论文,涵盖了基于深度学习和传统机器学习的方法。列表持续更新,为研究人员提供开放集识别领域的全面概览,展示了该方向的前沿进展。

numalogic是一个开源的机器学习框架，专注于运营数据分析和AIOps。该框架集成了多种ML模型和算法，提供预测性数据分析、模型选择、数据处理和特征提取功能。numalogic适用于部署失败检测、系统故障识别、欺诈检测等场景。它支持实时训练，可根据输入数据自动更新模型，适合构建持续运行的ML平台。numalogic设计简洁，易于使用和扩展，为数据分析提供了灵活的解决方案。