離群點和異常值的區別是什么？

離群值是遠離分布的位置或者平均值的觀測值。然而，它們并不一定代表異常行為或由不同過程產生的行為。另一方面，異常是由不同的過程生成的數據模式。

異常檢測在藥品中有什么應用嗎？

異常檢測在藥物生命科學領域有許多應用。包括在制藥生產中使用統計過程控制（SPC）或質量控制（QC）和多元過程控制（MSPC）圖表進行過程監控和質量控制。及時發現異常是避免異常事件發生，遵守安全標準的關鍵。發現柜臺交易中的異常情況，可以用來打擊醫藥零售數據中的處方濫用。實時檢測多參數臨床試驗數據中的異常，有助于保證臨床試驗的成功。

GANs也用于異常檢測嗎？如果是的話，能否提供一個行業用例

生成對抗網絡（GANs）是一種新的無監督學習方法，在識別異常方面非常有效。由于GANs是設計成迭代的，并且對抗性訓練的目的是利用重構樣本來優化減少殘差損失，因此它們在半結構化和非結構化數據中工作得很好。它們在醫學圖像分析（幫助放射學家發現難以識別的腫瘤）、面部識別、文本圖像轉換等方面非常有用。

數據相關性會影響異常檢測嗎？我們可以用什么方法，怎樣減少這些影響？是否最好在開始異常檢測之前清除和刪除關聯數據？

正如在網絡研討會上提到的，我們不認為相關性會影響異常檢測，但我們有許多可用的技術來幫助確定如何處理相關變量。一個建議是使用主成分分析（PCA）這樣的技術來減少維數。

建議使用什么樣的算法適合于檢測與識別網絡活動或數據中的不尋常活動有關的異常？

正如在網絡研討會上提到的，有許多方法和算法可以很好地用于異常檢測的各種應用和用例。其中有遞歸神經網絡（RNN）、生成對抗網絡（GAN）、隔離森林、深度自編碼器等。如果你對網絡/圖分析特別感興趣，用來識別網絡圖異常的兩種主要方法是直接鄰居離群點檢測算法（DNODA）和社區鄰居算法（CNA）。

在我目前的工作中，“新穎性”是我們努力去發現的主要東西。質量控制圖對于已知的模式很有效，但是自動識別新模式比較困難。我希望能得到一些在這方面有所幫助的工具的想法。

對于單變量質量控制圖，西方的電氣規則可以用于檢測少數常見的模式。經典的多元方法，如偏最小二乘（PLS），會捕獲到涉及不止一個變量的模式，但不能被單變量方法檢測。自動編碼器是最全面的工具，將涵蓋最廣泛的不同模式。它可以捕獲多變量、循環、非線性和交互的模式。你使用一組正常數據訓練autoencoder，在訓練集中沒有出現的新數據中出現的任何模式都將被標記。

通過做PCA來減少維度會影響數據集中的異常嗎？它會導致異常現象的消失嗎？如果是這樣，如何預防呢？

做PCA將會在原始數據集中捕獲一些百分比的方差。因此，我們使用PCA進行異常檢測的方法是計算原始點到低維空間中表示的點的“距離”。距離越大（即在將觀測結果映射到低維空間時“丟失”的越多），我們就越認為它是一種異常。