Применение машинного обучения при обнаружении аномалий заключается в следующем:

• Построение прогностической модели. 3 Для этого требуется помеченный набор данных, содержащий как нормальные, так и аномальные выборки. 3 Модель используется для классификации будущих точек данных. 3

• Группировка данных. 3 В случае неконтролируемого обнаружения аномалий не нужны обучающие данные. 3 Вместо этого делается предположение, что только небольшой процент данных является аномальным, и любая аномалия статистически отличается от обычных выборок. 3 Данные группируются с использованием меры сходства, и точки данных, удалённые от кластера, считаются аномалиями. 3

Применение машинного обучения позволяет:

• Автоматизировать и оптимизировать процессы поиска аномалий. 1 Это повышает надёжность и отказоустойчивость оборудования, для которого применяются такие методы. 1

• Выявить и интерпретировать аномалии. 2 Предоставляется информация о том, что именно пошло не так. 2 Локализуется сигнал, в поведении которого произошло наибольшее расхождение с нормальным поведением. 2

Задачи обнаружения аномалий возникают в различных областях, например, в обнаружении подозрительных банковских операций, вторжений, нестандартных игроков на бирже, неполадок в механизмах по показаниям датчиков. 5