.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: PyOD पारिस्थितिकी तंत्र :width: 84px

Python Outlier Detection (PyOD) 3

PyOD 3: बड़े पैमाने पर एजेंटिक विसंगति डिटेक्शन

|badge_website| |badge_pypi| |badge_anaconda| |badge_docs| |badge_stars| |badge_forks| |badge_downloads| |badge_testing| |badge_coverage| |badge_maintainability| |badge_license| |badge_benchmark|

.. |badge_website| image:: https://img.shields.io/badge/website-pyod.dev-990000 :target: https://pyod.dev :alt: Website

.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: PyPI version

.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: Anaconda version

.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: Documentation status

.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: GitHub stars

.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: GitHub forks

.. |badge_downloads| image:: https://pepy.tech/badge/pyod :target: https://pepy.tech/project/pyod :alt: Downloads

.. |badge_testing| image:: https://github.com/yzhao062/pyod/actions/workflows/testing.yml/badge.svg :target: https://github.com/yzhao062/pyod/actions/workflows/testing.yml :alt: Testing

.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: Coverage Status

.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: Maintainability

.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: License

.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: Benchmark

**PyOD एजेंट-तैयार है।** Claude Code और Codex ``od-expert`` कौशल का उपयोग करके ADEngine जाँच-पड़ताल चला सकते हैं, जबकि MCP-संगत एजेंट PyOD के डिटेक्टर ज्ञान और योजना उपकरणों से पूछताछ कर सकते हैं। क्लासिक ``fit``/``predict`` API अपरिवर्तित रहती है।

PyOD 3 विसंगति डिटेक्शन के लिए सबसे व्यापक पायथन लाइब्रेरी है। चार स्तंभ:

=========================== ======================================================================================== स्तंभ इसका अर्थ =========================== ======================================================================================== मल्टी-मॉडल 61 डिटेक्टर टेबुलर, टाइम सीरीज़, ग्राफ़, टेक्स्ट, इमेज और ऑडियो डेटा पर, एक ही API के साथ पूर्ण जीवनचक्र एक ही कॉल में कच्चे डेटा से व्याख्यायित विसंगतियों और अगले-चरण मार्गदर्शन तक एजेंटिक od-expert प्राकृतिक-भाषा अनुरोधों को ADEngine वर्कफ़्लो में बदलता है; MCP अन्य एजेंटों के लिए संरचित उपकरण उजागर करता है सर्वाधिक उपयोग 46+ मिलियन डाउनलोड; बेंचमार्क-समर्थित रूटिंग (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

इंस्टॉल ^^^^^^^

कोर लाइब्रेरी (हर एक्टिवेशन पथ के लिए आवश्यक):

.. code-block:: bash

pip install pyod

फिर अपने एजेंट स्टैक से मेल खाने वाला एक्टिवेशन पथ चुनें:

.. code-block:: bash

# 1. Claude Code / Codex — enables the od-expert skill
pyod install skill              # Claude Code: user-global (~/.claude/skills/)
pyod install skill --project    # Codex: project-local (./skills/, Codex has no user-global dir)

# 2. Any MCP-compatible LLM — requires the optional mcp extra
pip install pyod[mcp]
pyod mcp serve                 # alias for `python -m pyod.mcp_server`

# 3. Pure Python — no extra step
#    from pyod.utils.ad_engine import ADEngine

किसी भी समय pyod info चलाकर संस्करण, डिटेक्टर गणना और प्रत्येक एक्टिवेशन पथ की इंस्टॉल स्थिति देखें। pyod info यह भी पता लगाता है कि आपके पास कौन-सा एजेंट स्टैक इंस्टॉल है (Claude Code के लिए ~/.claude/, Codex के लिए ~/.codex/) और सही इंस्टॉल कमांड की सिफारिश करता है।

conda, सोर्स इंस्टॉल, निर्भरता विवरण और समस्या निवारण के लिए, पूरा इंस्टॉलेशन गाइड <https://pyod.readthedocs.io/en/latest/install.html>__ देखें। v3.0.0 का पुराना pyod-install-skill कमांड अभी भी pyod install skill के उपनाम के रूप में काम करता है।

5 लाइनों में आउटलायर डिटेक्शन (pip install pyod):

.. code-block:: python

from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_          # training anomaly scores
y_test_scores = clf.decision_function(X_test)   # test anomaly scores

PyOD का उपयोग करने के तीन तरीके:

========= ===================== ====================================================================== ======================================= स्तर नाम कब उपयोग करें प्रवेश बिंदु ========= ===================== ====================================================================== ======================================= 1 क्लासिक API आप जानते हैं कि आप कौन-सा डिटेक्टर चाहते हैं Layer 1 उदाहरण <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine आप चाहते हैं कि PyOD स्वचालित रूप से चयन, तुलना और मूल्यांकन करे Layer 2 वॉकथ्रू <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 एजेंटिक जाँच आप चाहते हैं कि कोई AI एजेंट प्राकृतिक बातचीत के माध्यम से OD चलाए Layer 3 वॉकथ्रू <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

स्तर 2 और 3 ADEngine, PyOD के जीवनचक्र ऑर्केस्ट्रेशन कोर द्वारा संचालित हैं। संपूर्ण बहु-टर्न स्तर 3 जाँच प्रक्रिया Claude Code और Codex के लिए od-expert कौशल के माध्यम से उपलब्ध है। MCP सर्वर (python -m pyod.mcp_server) MCP-संगत LLM के लिए दस स्टेटलेस उपकरण उजागर करता है, जिसमें ज्ञान प्रश्न (list_detectors, explain_detector, compare_detectors, get_benchmarks), योजना (profile_data, plan_detection, build_detector), और डिटेक्शन (run_detection, analyze_results, explain_findings) शामिल हैं; स्टेटफुल investigate / MCP उपकरण स्थगित हैं।

.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: कार्डियोटोकोग्राफी डेटासेट पर PyOD 3 एजेंटिक जाँच डेमो :align: center :width: 720

उपरोक्त आकृति UCI कार्डियोटोकोग्राफी डेटासेट पर एक वास्तविक 5-टर्न एजेंटिक बातचीत दिखाती है। पूरा वॉकथ्रू <https://pyod.readthedocs.io/en/latest/examples/agentic.html>, चलाने योग्य एजेंटिक उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/agentic_example.py>, या इंटरैक्टिव HTML डेमो <https://htmlpreview.github.io/?https://github.com/yzhao062/pyod/blob/development/examples/agentic_demo.html>__ देखें।

PyOD पारिस्थितिकी तंत्र और संसाधन: NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__ (NLP विसंगति डिटेक्शन) | TODS <https://github.com/datamllab/tods>__ (टाइम-सीरीज़) | PyGOD <https://pygod.org/>__ (ग्राफ़) | ADBench <https://github.com/Minqi824/ADBench>__ (बेंचमार्क) | AD-LLM <https://arxiv.org/abs/2412.11142>__ (LLM-आधारित AD) [#Yang2024ad]_ | Resources <https://github.com/yzhao062/anomaly-detection-resources>__

PyOD के बारे में ^^^^^^^^^^^^^^^^

PyOD, 2017 में स्थापित, विसंगति डिटेक्शन के लिए सबसे लंबे समय से चलने वाली और सबसे व्यापक रूप से उपयोग की जाने वाली पायथन लाइब्रेरी है। 46+ मिलियन डाउनलोड <https://pepy.tech/project/pyod>__ के साथ, यह शैक्षणिक शोध (जिनमें Analytics Vidhya <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>, KDnuggets <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>, और Towards Data Science <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__ शामिल हैं) और व्यावसायिक उत्पादों दोनों की सेवा करता है।

V3 लाइब्रेरी को ADEngine (जीवनचक्र ऑर्केस्ट्रेशन) और od-expert कौशल (एजेंटिक वर्कफ़्लो) के साथ विस्तारित करता है, साथ ही क्लासिक fit/predict API को पूरी तरह से पश्च-संगत बनाए रखता है। V3 तेज़ समानांतर प्रशिक्षण के लिए SUOD [#Zhao2021SUOD]_ और प्रति-मॉडल गति के लिए numba JIT पर बनाया गया है।

प्रभाव और पहचान:

=================================== =========================================================================== क्षेत्र उदाहरण =================================== =========================================================================== अंतरिक्ष और विज्ञान यूरोपीय अंतरिक्ष एजेंसी OPS-SAT अंतरिक्ष यान टेलीमेट्री बेंचमार्क <https://www.nature.com/articles/s41597-025-05035-3>__ (नेचर साइंटिफिक डेटा, 2025) सभी 30 एल्गोरिदम के लिए PyOD का उपयोग करती है। उद्यम तैनाती वॉलमार्ट (1M+ दैनिक मूल्य अद्यतन, KDD 2019), Databricks (MLflow/Hyperopt के साथ PyOD को एकीकृत करने वाला Kakapo फ्रेमवर्क; आंतरिक-खतरा डिटेक्शन समाधान), IQVIA (123K+ फार्मेसी दावे), Altair AI Studio, Ericsson (पेटेंट WO2023166515A1 <https://patents.google.com/patent/WO2023166515A1>)। पुस्तकें Outlier Detection in Python <https://www.manning.com/books/outlier-detection-in-python> (Brett Kennedy, Manning); Handbook of Anomaly Detection with Python (Chris Kuo, Columbia); Finding Ghosts in Your Data <https://link.springer.com/book/10.1007/978-1-4842-8870-2>__ (Kevin Feasel, Apress)। पाठ्यक्रम DataCamp Anomaly Detection in Python <https://www.datacamp.com/courses/anomaly-detection-in-python>__ (19M+ प्लेटफ़ॉर्म शिक्षार्थी), Manning liveProject <https://www.manning.com/liveproject/using-pyod-and-ensembles-methods>, O'Reilly वीडियो संस्करण, कई Udemy पाठ्यक्रम। पॉडकास्ट , पूर्ण दस्तावेज़ अनुवाद), जापानी, कोरियाई, जर्मन, स्पेनिश। =================================== ===========================================================================

उद्धरण, उद्यम तैनाती, पेटेंट और मीडिया कवरेज की पूरी सूची के लिए Read the Docs पर पूर्ण प्रभाव पृष्ठ <https://pyod.readthedocs.io/en/latest/impact.html>__ देखें।

PyOD को उद्धृत करना:

यदि आप किसी वैज्ञानिक प्रकाशन में PyOD का उपयोग करते हैं, तो हम निम्नलिखित पेपर के उद्धरण की सराहना करेंगे:

PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection <https://arxiv.org/abs/2412.12154>__ प्रीप्रिंट के रूप में उपलब्ध है। यदि आप किसी वैज्ञानिक प्रकाशन में PyOD का उपयोग करते हैं, तो हम निम्नलिखित पेपर के उद्धरण की सराहना करेंगे::

@inproceedings{chen2025pyod,
  title={Pyod 2: A python library for outlier detection with llm-powered model selection},
  author={Chen, Sihan and Qian, Zhuangzhuang and Siu, Wingchun and Hu, Xingcan and Li, Jiaqi and Li, Shawn and Qin, Yuehan and Yang, Tiankai and Xiao, Zhuo and Ye, Wanghao and others},
  booktitle={Companion Proceedings of the ACM on Web Conference 2025},
  pages={2807--2810},
  year={2025}
}

PyOD पेपर <http://www.jmlr.org/papers/volume20/19-011/19-011.pdf>__ Journal of Machine Learning Research (JMLR) <http://www.jmlr.org/>__ (MLOSS ट्रैक) में प्रकाशित हुआ है।::

@article{zhao2019pyod,
    author  = {Zhao, Yue and Nasrullah, Zain and Li, Zheng},
    title   = {PyOD: A Python Toolbox for Scalable Outlier Detection},
    journal = {Journal of Machine Learning Research},
    year    = {2019},
    volume  = {20},
    number  = {96},
    pages   = {1-7},
    url     = {http://jmlr.org/papers/v20/19-011.html}
}

या::

Zhao, Y., Nasrullah, Z. and Li, Z., 2019. PyOD: A Python Toolbox for Scalable Outlier Detection. Journal of machine learning research (JMLR), 20(96), pp.1-7.

विसंगति डिटेक्शन पर व्यापक परिप्रेक्ष्य के लिए, ADBench <https://arxiv.org/abs/2206.09426>__ [#Han2022ADBench]_ और ADGym <https://arxiv.org/abs/2309.15376>__ पर हमारे NeurIPS पेपर देखें।

विषय-सूची:

• API चीटशीट और संदर्भ <#api-cheatsheet--reference>__
• बेंचमार्क <#benchmarks>__
• कार्यान्वित एल्गोरिदम <#implemented-algorithms>__ (टेबुलर, टाइम सीरीज़, ग्राफ़, एम्बेडिंग)
• अतिरिक्त विषय <#additional-topics>__ (मॉडल सेव/लोड, SUOD, थ्रेशोल्डिंग)
• आउटलायर डिटेक्शन के लिए त्वरित आरंभ <#quick-start-for-outlier-detection>__
• योगदान कैसे करें <#how-to-contribute>__
• समावेशन मानदंड <#inclusion-criteria>__

API चीटशीट और संदर्भ ^^^^^^^^^^^^^^^^^^

पूर्ण API संदर्भ PyOD दस्तावेज़ीकरण <https://pyod.readthedocs.io/en/latest/>__ पर मोडलिटी के अनुसार विभाजित है: Tabular <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>, Time Series <https://pyod.readthedocs.io/en/latest/pyod.models.timeseries.html>, Graph <https://pyod.readthedocs.io/en/latest/pyod.models.graph.html>, Embedding <https://pyod.readthedocs.io/en/latest/pyod.models.embedding.html>, ADEngine <https://pyod.readthedocs.io/en/latest/pyod.ad_engine.html>, Utilities <https://pyod.readthedocs.io/en/latest/pyod.utils.html>। नीचे सभी डिटेक्टरों के लिए एक त्वरित चीटशीट दी गई है:

• fit(X): डिटेक्टर को फ़िट करें। अनपरवाइज़्ड तरीकों में पैरामीटर y को अनदेखा किया जाता है।
• decision_function(X): फ़िट किए गए डिटेक्टर का उपयोग करके X के लिए कच्चे विसंगति स्कोर की भविष्यवाणी करें।
• predict(X): फ़िट किए गए डिटेक्टर का उपयोग करके बाइनरी लेबल के रूप में निर्धारित करें कि नमूना आउटलायर है या नहीं।
• predict_proba(X): फ़िट किए गए डिटेक्टर का उपयोग करके नमूने के आउटलायर होने की संभावना का अनुमान लगाएं।
• predict_confidence(X): प्रति-नमूना आधार पर मॉडल के आत्मविश्वास का आकलन करें (predict और predict_proba में लागू) [#Perini2020Quantifying]_।
• predict_with_rejection(X)\ : डिटेक्टर को अत्यधिक अनिश्चित भविष्यवाणियों को अस्वीकार करने (अर्थात् बनाने से परहेज करने) की अनुमति दें (आउटपुट = -2) [#Perini2023Rejection]_।

फ़िट किए गए मॉडल के प्रमुख गुण:

• decision_scores_: प्रशिक्षण डेटा के आउटलायर स्कोर। उच्च स्कोर आमतौर पर अधिक असामान्य व्यवहार का संकेत देते हैं। आउटलायर में आमतौर पर उच्च स्कोर होते हैं।
• labels_: प्रशिक्षण डेटा के बाइनरी लेबल, जहाँ 0 इनलायर और 1 आउटलायर/विसंगति को दर्शाता है।

बेंचमार्क ^^^^^^^^^^

• ADBench <https://github.com/Minqi824/ADBench>__ [#Han2022ADBench]_: 57 टेबुलर डेटासेट पर 30 एल्गोरिदम। तुलना <https://github.com/yzhao062/pyod/blob/master/examples/compare_all_models.py>__ देखें।
• NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__: 8 टेक्स्ट डेटासेट पर 19 विधियाँ। टू-स्टेप (एम्बेडिंग + डिटेक्टर) एंड-टू-एंड को बेहतर प्रदर्शन देता है।
• TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_: 1070 टाइम सीरीज़ डेटासेट पर 40 एल्गोरिदम (NeurIPS 2024)।
• BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_: 14 डेटासेट पर 14 ग्राफ़ विसंगति डिटेक्शन एल्गोरिदम (NeurIPS 2022)।

अतिरिक्त विषय ^^^^^^^^^^^^^

• मॉडल सेव और लोड <https://pyod.readthedocs.io/en/latest/model_persistence.html>: PyOD मॉडल को सहेजने और लोड करने के लिए joblib या pickle का उपयोग करें। उदाहरण <https://github.com/yzhao062/pyod/blob/master/examples/save_load_model_example.py> देखें।
• SUOD के साथ तेज़ प्रशिक्षण <https://pyod.readthedocs.io/en/latest/fast_train.html>: SUOD फ्रेमवर्क [#Zhao2021SUOD]_ के साथ प्रशिक्षण और भविष्यवाणी को तेज़ करें। उदाहरण <https://github.com/yzhao062/pyod/blob/master/examples/suod_example.py> देखें।
• आउटलायर स्कोर का थ्रेशोल्डिंग <https://pyod.readthedocs.io/en/latest/thresholding.html>: PyThresh <https://github.com/KulikDM/pythresh> के माध्यम से संदूषण स्तर निर्धारित करने के लिए डेटा-संचालित दृष्टिकोण।

कार्यान्वित एल्गोरिदम ^^^^^^^^^^^^^^^^^^^^^^

PyOD को दो कार्यात्मक समूहों में व्यवस्थित किया गया है: (i) डिटेक्शन एल्गोरिदम, जिसमें टेबुलर, टाइम सीरीज़, ग्राफ़ और ऑडियो डेटा के लिए समर्पित उपखंड हैं (टेबुलर तालिका के अंदर EmbeddingOD फाउंडेशन मॉडल एन्कोडर के माध्यम से टेक्स्ट और इमेज समर्थन जोड़ता है); और (ii) उपयोगिता फ़ंक्शन डेटा निर्माण, मूल्यांकन और जीवनचक्र ऑर्केस्ट्रेशन के लिए।

(i-a) टेबुलर और मल्टी-मॉडल डिटेक्शन एल्गोरिदम :

.. list-table:: :widths: 15 14 58 5 8 :header-rows: 1* - प्रकार - संक्षेप - एल्गोरिदम - वर्ष - संदर्भ

• • प्रायिकता
  • ECOD
  • एम्पिरिकल कम्युलेटिव डिस्ट्रीब्यूशन फ़ंक्शंस का उपयोग करके अनसुपरवाइज़्ड आउटलायर डिटेक्शन (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/ecod_example.py>__)
  • 2022
  • [#Li2021ECOD]_
• • प्रायिकता
  • ABOD
  • कोण-आधारित आउटलायर डिटेक्शन (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)
  • 2008
  • [#Kriegel2008Angle]_
• • प्रायिकता
  • FastABOD
  • अनुमान (approximation) का उपयोग करते हुए तीव्र कोण-आधारित आउटलायर डिटेक्शन (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)
  • 2008
  • [#Kriegel2008Angle]_
• • प्रायिकता
  • COPOD
  • COPOD: कॉपुला-आधारित आउटलायर डिटेक्शन (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/copod_example.py>__)
  • 2020
  • [#Li2020COPOD]_
• • प्रायिकता
  • MAD
  • माध्यिका निरपेक्ष विचलन (MAD) (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/mad_example.py>__)
  • 1993
  • [#Iglewicz1993How]_
• • प्रायिकता
  • SOS
  • स्टोकेस्टिक आउटलायर चयन (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/sos_example.py>__)

एन्सेम्बल विधियाँ (IForest, INNE, DIF, FB, LSCP, LODA, SUOD, XGBOD) ऊपर दी गई तालिका में शामिल हैं। स्कोर संयोजन फ़ंक्शन (average, maximization, AOM, MOA, median, majority vote) pyod.models.combination में हैं। विवरण के लिए API दस्तावेज़ <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>__ देखें।

(i-b) समय-श्रृंखला विसंगति पहचान :

सभी समय-श्रृंखला डिटेक्टर, टेबुलर डिटेक्टरों के समान fit/predict/decision_function API का उपयोग करते हैं, एक अपवाद के साथ: MatrixProfile ट्रांसडक्टिव है (केवल-प्रशिक्षण; fit() के बाद decision_scores_ और labels_ का उपयोग करें, कोई आउट-ऑफ-सैंपल predict नहीं)।

इनपुट प्रारूप: यूनीवेरिएट के लिए आकृति (n_timestamps,) या मल्टीवेरिएट के लिए (n_timestamps, n_channels) वाली numpy array। प्रत्येक पंक्ति एक टाइमस्टेप है; कॉलम चैनल/फीचर हैं। Pandas DataFrames और सूचियाँ स्वचालित रूप से परिवर्तित हो जाती हैं। आउटपुट: आकृति (n_timestamps,) के decision_scores_, प्रत्येक टाइमस्टेप के लिए एक विसंगति स्कोर।

3 पंक्तियों में समय-श्रृंखला डिटेक्शन:

.. code-block:: python

from pyod.models.ts_kshape import KShape      # or any TS detector
clf = KShape(window_size=20)
clf.fit(X_train)                               # shape (n_timestamps,) or (n_timestamps, n_channels)
scores = clf.decision_scores_                  # per-timestamp anomaly scores

TSB-AD बेंचमार्क <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_ (NeurIPS 2024, 1070 डेटासेट) से एल्गोरिदम रैंकिंग:

.. list-table:: :widths: 15 18 50 5 12 :header-rows: 1

• • प्रकार
  • संक्षेप
  • एल्गोरिदम
  • वर्ष
  • संदर्भ
• • विंडोड ब्रिज
  • TimeSeriesOD
  • स्लाइडिंग विंडो पर कोई भी PyOD डिटेक्टर (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/ts_od_example.py>__)
  • 2026
• • उपअनुक्रम
  • MatrixProfile
  • STOMP के माध्यम से मैट्रिक्स प्रोफ़ाइल, ट्रांसडक्टिव (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/ts_matrix_profile_example.py>__)
  • 2016
  • [#Yeh2016Matrix]_
• • आवृत्ति
  • SpectralResidual
  • स्पेक्ट्रल रेसिड्यूअल: FFT-आधारित प्रमुखता (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/ts_spectral_residual_example.py>__)
  • 2019
  • [#Ren2019Time]_
• • क्लस्टरिंग
  • KShape
  • k-Shape क्लस्टरिंग (TSB-AD में #2) (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/ts_kshape_example.py>__)
  • 2015
  • [#Paparrizos2015KShape]_
• • स्ट्रीमिंग
  • SAND
  • ड्रिफ्ट अनुकूलन के साथ स्ट्रीमिंग, प्रयोगात्मक (उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/ts_sand_example.py>__)
  • 2021
  • [#Boniol2021SAND]_

(i-c) ग्राफ विसंगति पहचान (pip install pyod[graph]):

सभी ग्राफ डिटेक्टर v1 में ट्रांसडक्टिव हैं: fit() के बाद decision_scores_ और labels_ का उपयोग करें। कोई आउट-ऑफ-सैंपल predict नहीं है। इनपुट: PyG Data ऑब्जेक्ट जिसमें x (नोड फीचर्स) और edge_index (COO किनारे) होते हैं। SCAN बिना फीचर्स के काम करता है।

3 पंक्तियों में ग्राफ डिटेक्शन (pip install pyod[graph]):

.. code-block:: python

from pyod.models.pyg_dominant import DOMINANT
clf = DOMINANT(hidden_dim=64, epochs=100)
clf.fit(data)                                  # PyG Data object
scores = clf.decision_scores_                  # per-node anomaly scores

BOND बेंचमार्क <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_ (NeurIPS 2022, 14 डेटासेट) से एल्गोरिदम रैंकिंग:

.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1

• • प्रकार
  • संक्षेप
  • एल्गोरिदम
  • वर्ष
  • संदर्भ
• • GCN ऑटोएन्कोडर
  • DOMINANT
  • GCN AE, संरचना + विशेषता पुनर्निर्माण (BOND डीप में #1) (dominant उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/pyg_dominant_example.py>__)
  • 2019
  • [#Ding2019DOMINANT]_
• • कंट्रास्टिव
  • CoLA
  • कंट्रास्टिव सेल्फ-सुपरवाइज़्ड, स्थानीय पड़ोसी संदर्भ (BOND डीप में #2) (cola उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/pyg_cola_example.py>__)
  • 2022
  • [#Liu2022CoLA]_
• • कंट्रास्टिव+AE
  • CONAD
  • विसंगत-दृश्य इंजेक्शन + दोहरे पुनर्निर्माण के साथ कंट्रास्टिव (conad उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/pyg_conad_example.py>__)
  • 2022
  • [#Xu2022CONAD]_
• • अटेंशन AE
  • AnomalyDAE
  • GAT संरचना एन्कोडर + MLP विशेषता एन्कोडर (anomalydae उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalydae_example.py>__)
  • 2020
  • [#Fan2020AnomalyDAE]_
• • मोटिफ AE
  • GUIDE
  • मूल + त्रिकोण-मोटिफ आसन्नता पर दोहरा GCN AE (guide उदाहरण <https://github.com/yzhao062/pyod/blob/development/examples/pyg_guide_example.py>__)

(i-d) ऑडियो विसंगति पहचान (pip install pyod[audio]):

ऑडियो क्लिप समान fit/decision_function API का उपयोग करती हैं। दो मार्ग उपलब्ध हैं: एक हल्का एम्बेड-फिर-डिटेक्ट मार्ग (EmbeddingOD.for_audio() प्रत्येक क्लिप को 74-आयामी हस्तनिर्मित ध्वनिक वेक्टर में बदलता है और किसी भी शास्त्रीय डिटेक्टर को चलाता है), और एक समर्पित डीप डिटेक्टर (AudioAE, एक लॉग-मेल पुनर्निर्माण ऑटोएन्कोडर)। इनपुट फ़ाइल पथ, वेवफ़ॉर्म array, या (waveform, sample_rate) टुपल्स हैं। आउटपुट: प्रति क्लिप एक विसंगति स्कोर।

3 पंक्तियों में ऑडियो डिटेक्शन (pip install pyod[audio]):

.. code-block:: python

from pyod.models.embedding import EmbeddingOD
clf = EmbeddingOD.for_audio('balanced')        # 74-dim handcrafted features + KNN
clf.fit(train_clips)                            # list of file paths or waveform arrays
scores = clf.decision_scores_                  # per-clip anomaly scores

.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1

• • प्रकार
  • संक्षेप
  • एल्गोरिदम
  • वर्ष
  • संदर्भ
• • एम्बेड फिर डिटेक्ट
  • EmbeddingOD
  • for_audio(): किसी भी डिटेक्टर के साथ 74-आयामी MFCC, क्रोमा और स्पेक्ट्रल फीचर्स
  • 2026
• • डीप AE
  • AudioAE
  • लॉग-मेल पुनर्निर्माण ऑटोएन्कोडर (DCASE 2020 Task 2 बेसलाइन)
  • 2020

(ii) उपयोगिता फ़ंक्शन:प्रकार नाम कार्य =================== ============================ ===================================================================================================================================================== डेटा generate_data संश्लेषित डेटा जनरेशन; बहुचर गाऊसी से सामान्य डेटा, समान वितरण से आउटलायर्स डेटा generate_data_clusters अधिक जटिल पैटर्न के लिए क्लस्टरों में संश्लेषित डेटा जनरेशन मूल्यांकन evaluate_print किसी डिटेक्टर के लिए ROC-AUC और प्रिसिजन @ रैंक n प्रिंट करें मूल्यांकन precision_n_scores प्रिसिजन @ रैंक n की गणना करें उपयोगिता get_label_n शीर्ष n स्कोरों को 1 निर्दिष्ट करके कच्चे आउटलायर स्कोरों को बाइनरी लेबल में बदलें सांख्यिकी wpearsonr दो नमूनों के भारित पियर्सन सहसंबंध की गणना करें एन्कोडिंग resolve_encoder स्ट्रिंग नाम, BaseEncoder इंस्टेंस या callable से एन्कोडर निर्धारित करें एन्कोडिंग SentenceTransformerEncoder sentence-transformers मॉडल के माध्यम से टेक्स्ट एन्कोड करें (जैसे, MiniLM, mpnet) एन्कोडिंग OpenAIEncoder OpenAI Embeddings API के माध्यम से टेक्स्ट एन्कोड करें (text-embedding-3-small/large) एन्कोडिंग HuggingFaceEncoder HuggingFace transformers के माध्यम से टेक्स्ट या छवियों को एन्कोड करें (BERT, DINOv2, CLIP) =================== ============================ =====================================================================================================================================================

आउटलायर डिटेक्शन के लिए त्वरित प्रारंभ ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

PyOD को मशीन लर्निंग समुदाय द्वारा कुछ विशेष पोस्ट और ट्यूटोरियल के साथ अच्छी तरह से मान्यता प्राप्त है।

Analytics Vidhya: PyOD लाइब्रेरी का उपयोग करके Python में आउटलायर डिटेक्शन सीखने के लिए एक बेहतरीन ट्यूटोरियल <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>__

KDnuggets: आउटलायर डिटेक्शन विधियों का सहज विज़ुअलाइज़ेशन <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>, PyOD से आउटलायर डिटेक्शन विधियों का अवलोकन <https://www.kdnuggets.com/2019/06/overview-outlier-detection-methods-pyod.html>

Towards Data Science: डमीज़ के लिए एनोमली डिटेक्शन <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__

"examples/knn_example.py" <https://github.com/yzhao062/pyod/blob/master/examples/knn_example.py>__ kNN डिटेक्टर का उपयोग करने के लिए बुनियादी API प्रदर्शित करता है। यह ध्यान दिया जाता है कि अन्य सभी एल्गोरिदम में API सुसंगत/समान हैं।

उदाहरण चलाने के लिए अधिक विस्तृत निर्देश उदाहरण निर्देशिका <https://github.com/yzhao062/pyod/blob/master/examples>__ में पाए जा सकते हैं।

#. एक kNN डिटेक्टर प्रारंभ करें, मॉडल को फिट करें, और भविष्यवाणी करें।

.. code-block:: python

   from pyod.models.knn import KNN   # kNN detector
   from pyod.utils.data import generate_data

   contamination = 0.1  # percentage of outliers
   n_train = 200  # number of training points
   n_test = 100  # number of testing points

   # generate sample data
   X_train, X_test, y_train, y_test = generate_data(
       n_train=n_train, n_test=n_test, n_features=2,
       contamination=contamination, random_state=42)

   # train kNN detector
   clf_name = 'KNN'
   clf = KNN()
   clf.fit(X_train)

   # get the prediction label and outlier scores of the training data
   y_train_pred = clf.labels_  # binary labels (0: inliers, 1: outliers)
   y_train_scores = clf.decision_scores_  # raw outlier scores

   # get the prediction on the test data
   y_test_pred = clf.predict(X_test)  # outlier labels (0 or 1)
   y_test_scores = clf.decision_function(X_test)  # outlier scores

   # it is possible to get the prediction confidence as well
   y_test_pred, y_test_pred_confidence = clf.predict(X_test, return_confidence=True)  # outlier labels (0 or 1) and confidence in the range of [0,1]

#. ROC और प्रिसिजन @ रैंक n (p@n) द्वारा भविष्यवाणी का मूल्यांकन करें।

.. code-block:: python

   from pyod.utils.data import evaluate_print
   
   # evaluate and print the results
   print("\nOn Training Data:")
   evaluate_print(clf_name, y_train, y_train_scores)
   print("\nOn Test Data:")
   evaluate_print(clf_name, y_test, y_test_scores)

#. एक नमूना आउटपुट और विज़ुअलाइज़ेशन देखें।

.. code-block:: python

   On Training Data:
   KNN ROC:0.9992, precision @ rank n:0.95

   On Test Data:
   KNN ROC:1.0, precision @ rank n:1.0

.. code-block:: python

   from pyod.utils.example import visualize

   visualize(clf_name, X_train, y_train, X_test, y_test, y_train_pred,
       y_test_pred, show_figure=True, save_figure=False)

स्वीकृतियाँ ^^^^^^^^^^^^^^^

यह सामग्री राष्ट्रीय विज्ञान फाउंडेशन द्वारा समर्थित कार्य पर आधारित है पुरस्कार संख्या 2346158 <https://www.nsf.gov/awardsearch/showAward?AWD_ID=2346158>_ के अंतर्गत, "NSF POSE: Phase II: OpenAD: An Integrated Open-Source Ecosystem for Anomaly Detection." के लिए। यह पुरस्कार इलिनोइस विश्वविद्यालय शिकागो को प्रमुख संगठन तथा इलिनोइस प्रौद्योगिकी संस्थान, लेह विश्वविद्यालय और दक्षिणी कैलिफोर्निया विश्वविद्यालय को उप-पुरस्कार प्राप्त संगठनों के रूप में सूचीबद्ध करता है।

इस सामग्री में व्यक्त कोई भी राय, निष्कर्ष और सिफारिशें लेखक(ओं) के हैं और राष्ट्रीय विज्ञान फाउंडेशन के दृष्टिकोण को आवश्यक रूप से प्रतिबिंबित नहीं करते हैं।

संदर्भ ^^^^^^^^^

.. [#Aggarwal2015Outlier] Aggarwal, C.C., 2015. Outlier analysis. In Data mining (pp. 237-263). Springer, Cham.

.. [#Aggarwal2015Theoretical] Aggarwal, C.C. and Sathe, S., 2015. Theoretical foundations and algorithms for outlier ensembles.\ ACM SIGKDD Explorations Newsletter\ , 17(1), pp.24-47.

.. [#Aggarwal2017Outlier] Aggarwal, C.C. and Sathe, S., 2017. Outlier ensembles: An introduction. Springer.

.. [#Almardeny2020A] Almardeny, Y., Boujnah, N. and Cleary, F., 2020. A Novel Outlier Detection Method for Multivariate Data. IEEE Transactions on Knowledge and Data Engineering.

.. [#Angiulli2002Fast] Angiulli, F. and Pizzuti, C., 2002, August. Fast outlier detection in high dimensional spaces. In European Conference on Principles of Data Mining and Knowledge Discovery pp. 15-27.

.. [#Arning1996A] Arning, A., Agrawal, R. and Raghavan, P., 1996, August. A Linear Method for Deviation Detection in Large Databases. In KDD (Vol. 1141, No. 50, pp. 972-981).

.. [#Bandaragoda2018Isolation] Bandaragoda, T. R., Ting, K. M., Albrecht, D., Liu, F. T., Zhu, Y., and Wells, J. R., 2018, Isolation-based anomaly detection using nearest-neighbor ensembles. Computational Intelligence\ , 34(4), pp. 968-998.

.. [#Breunig2000LOF] Breunig, M.M., Kriegel, H.P., Ng, R.T. and Sander, J., 2000, May. LOF: identifying density-based local outliers. ACM Sigmod Record\ , 29(2), pp. 93-104.

.. [#Burgess2018Understanding] Burgess, Christopher P., et al. "Understanding disentangling in beta-VAE." arXiv preprint arXiv:1804.03599 (2018).

.. [#Campello2013Density] Campello, R.J.G.B., Moulavi, D. and Sander, J., 2013, April. Density-based clustering based on hierarchical density estimates. In Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 160-172). Springer.

.. [#Cook1977Detection] Cook, R.D., 1977. Detection of influential observation in linear regression. Technometrics, 19(1), pp.15-18.

.. [#Chen2024PyOD] Chen, S., Qian, Z., Siu, W., Hu, X., Li, J., Li, S., Qin, Y., Yang, T., Xiao, Z., Ye, W. and Zhang, Y., 2024. PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection. arXiv preprint arXiv:2412.12154.

.. [#Fang2001Wrap] Fang, K.T. and Ma, C.X., 2001. Wrap-around L2-discrepancy of random sampling, Latin hypercube and uniform designs. Journal of complexity, 17(4), pp.608-624.

.. [#Goldstein2012Histogram] Goldstein, M. and Dengel, A., 2012. Histogram-based outlier score (hbos): A fast unsupervised anomaly detection algorithm. In KI-2012: Poster and Demo Track\ , pp.59-63.

.. [#Goodge2022Lunar] Goodge, A., Hooi, B., Ng, S.K. and Ng, W.S., 2022, June. Lunar: Unifying local outlier detection methods via graph neural networks. In Proceedings of the AAAI Conference on Artificial Intelligence.

.. [#Gopalan2019PIDForest] Gopalan, P., Sharan, V. and Wieder, U., 2019. PIDForest: Anomaly Detection via Partial Identification. In Advances in Neural Information Processing Systems, pp. 15783-15793.

.. [#Han2022ADBench] Han, S., Hu, X., Huang, H., Jiang, M. and Zhao, Y., 2022. ADBench: Anomaly Detection Benchmark. arXiv preprint arXiv:2206.09426.

.. [#Hardin2004Outlier] Hardin, J. and Rocke, D.M., 2004. Outlier detection in the multiple cluster setting using the minimum covariance determinant estimator. Computational Statistics & Data Analysis\ , 44(4), pp.625-638.

.. [#He2003Discovering] He, Z., Xu, X. and Deng, S., 2003. Discovering cluster-based local outliers. Pattern Recognition Letters\ , 24(9-10), pp.1641-1650.

.. [#Hoffmann2007Kernel] Hoffmann, H., 2007. Kernel PCA for novelty detection. Pattern recognition, 40(3), pp.863-874.

.. [#Iglewicz1993How] Iglewicz, B. and Hoaglin, D.C., 1993. How to detect and handle outliers (Vol. 16). Asq Press.

.. [#Janssens2012Stochastic] Janssens, J.H.M., Huszár, F., Postma, E.O. and van den Herik, H.J., 2012. Stochastic outlier selection. Technical report TiCC TR 2012-001, Tilburg University, Tilburg Center for Cognition and Communication, Tilburg, The Netherlands.

.. [#Kingma2013Auto] Kingma, D.P. and Welling, M., 2013. Auto-encoding variational bayes. arXiv preprint arXiv:1312.6114.

.. [#Kriegel2008Angle] Kriegel, H.P. and Zimek, A., 2008, August. Angle-based outlier detection in high-dimensional data. In KDD '08\ , pp. 444-452. ACM.

.. [#Kriegel2009Outlier] Kriegel, H.P., Kröger, P., Schubert, E. and Zimek, A., 2009, April. Outlier detection in axis-parallel subspaces of high dimensional data. In Pacific-Asia Conference on Knowledge Discovery and Data Mining\ , pp. 831-838. Springer, Berlin, Heidelberg.

.. [#Latecki2007Outlier] Latecki, L.J., Lazarevic, A. and Pokrajac, D., 2007, July. Outlier detection with kernel density functions. In International Workshop on Machine Learning and Data Mining in Pattern Recognition (pp. 61-75). Springer, Berlin, Heidelberg.

.. [#Lazarevic2005Feature] Lazarevic, A. and Kumar, V., 2005, August. Feature bagging for outlier detection. In KDD '05. 2005.

.. [#Li2024NLPADBench] Li, Y., Li, J., Xiao, Z., Yang, T., Nian, Y., Hu, X. and Zhao, Y., 2025. NLP-ADBench: NLP Anomaly Detection Benchmark. In Findings of the Association for Computational Linguistics: EMNLP 2025.

.. [#Li2019MADGAN] Li, D., Chen, D., Jin, B., Shi, L., Goh, J. and Ng, S.K., 2019, September. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks. In International Conference on Artificial Neural Networks (pp. 703-716). Springer, Cham.

.. [#Li2020COPOD] Li, Z., Zhao, Y., Botta, N., Ionescu, C. and Hu, X. COPOD: Copula-Based Outlier Detection. IEEE International Conference on Data Mining (ICDM), 2020.

.. [#Li2021ECOD] Li, Z., Zhao, Y., Hu, X., Botta, N., Ionescu, C. and Chen, H. G. ECOD: Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2022.

.. [#Liu2008Isolation] Liu, F.T., Ting, K.M. and Zhou, Z.H., 2008, December. Isolation forest. In International Conference on Data Mining\ , pp. 413-422. IEEE.

.. [#Liu2019Generative] Liu, Y., Li, Z., Zhou, C., Jiang, Y., Sun, J., Wang, M. and He, X., 2019. Generative adversarial active learning for unsupervised outlier detection. IEEE Transactions on Knowledge and Data Engineering.

.. [#Nguyen2019scalable] Nguyen, M.N. and Vien, N.A., 2019. Scalable and interpretable one-class svms with deep learning and random fourier features. In Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD, 2018.

.. [#Pang2019Deep] Pang, Guansong, Chunhua Shen, and Anton Van Den Hengel. "Deep anomaly detection with deviation networks." In KDD, pp. 353-362. 2019.

.. [#Papadimitriou2003LOCI] Papadimitriou, S., Kitagawa, H., Gibbons, P.B. and Faloutsos, C., 2003, March. LOCI: Fast outlier detection using the local correlation integral. In ICDE '03, pp. 315-326. IEEE.

.. [#Pevny2016Loda] Pevný, T., 2016. Loda: Lightweight on-line detector of anomalies. Machine Learning, 102(2), pp.275-304.

.. [#Perini2020Quantifying] Perini, L., Vercruyssen, V., Davis, J. Quantifying the confidence of anomaly detectors in their example-wise predictions. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2020.

.. [#Perini2023Rejection] Perini, L., Davis, J. Unsupervised anomaly detection with rejection. In Proceedings of the Thirty-Seven Conference on Neural Information Processing Systems (NeurIPS), 2023.

.. [#Ramaswamy2000Efficient] Ramaswamy, S., Rastogi, R. and Shim, K., 2000, May. Efficient algorithms for mining outliers from large data sets. ACM Sigmod Record\ , 29(2), pp. 427-438.

.. [#Rousseeuw1999A] Rousseeuw, P.J. and Driessen, K.V., 1999. A fast algorithm for the minimum covariance determinant estimator. Technometrics\ , 41(3), pp.212-223.

.. [#Ruff2018Deep] Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S.A., Binder, A., Müller, E. and Kloft, M., 2018, July. Deep one-class classification. In International conference on machine learning (pp. 4393-4402). PMLR.

.. [#Schlegl2017Unsupervised] Schlegl, T., Seeböck, P., Waldstein, S.M., Schmidt-Erfurth, U. and Langs, G., 2017, June. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery. In International conference on information processing in medical imaging (pp. 146-157). Springer, Cham.

.. [#Scholkopf2001Estimating] Scholkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J. and Williamson, R.C., 2001. Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), pp.1443-1471.

.. [#Shyu2003A] Shyu, M.L., Chen, S.C., Sarinnapakorn, K. and Chang, L., 2003. A novel anomaly detection scheme based on principal component classifier. MIAMI UNIV CORAL GABLES FL DEPT OF ELECTRICAL AND COMPUTER ENGINEERING.

.. [#Sugiyama2013Rapid] Sugiyama, M. and Borgwardt, K., 2013. Rapid distance-based outlier detection via sampling. Advances in neural information processing systems, 26.

.. [#Tang2002Enhancing] Tang, J., Chen, Z., Fu, A.W.C. and Cheung, D.W., 2002, May. Enhancing effectiveness of outlier detections for low density patterns. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp. 535-548. Springer, Berlin, Heidelberg.

.. [#Wang2020adVAE] Wang, X., Du, Y., Lin, S., Cui, P., Shen, Y. and Yang, Y., 2019. adVAE: A self-adversarial variational autoencoder with Gaussian anomaly prior knowledge for anomaly detection. Knowledge-Based Systems.

.. [#Xu2023Deep] Xu, H., Pang, G., Wang, Y., Wang, Y., 2023. Deep isolation forest for anomaly detection. IEEE Transactions on Knowledge and Data Engineering.

.. [#Yang2024ad] Yang, T., Nian, Y., Li, S., Xu, R., Li, Y., Li, J., Xiao, Z., Hu, X., Rossi, R., Ding, K. and Hu, X., 2024. AD-LLM: Benchmarking Large Language Models for Anomaly Detection. arXiv preprint arXiv:2412.11142.

.. [#You2017Provable] You, C., Robinson, D.P. and Vidal, R., 2017. Provable self-representation based outlier detection in a union of subspaces. In Proceedings of the IEEE conference on computer vision and pattern recognition.

.. [#Zenati2018Adversarially] Zenati, H., Romain, M., Foo, C.S., Lecouat, B. and Chandrasekhar, V., 2018, November. Adversarially learned anomaly detection. In 2018 IEEE International conference on data mining (ICDM) (pp. 727-736). IEEE.

.. [#Zhao2018XGBOD] Zhao, Y. and Hryniewicki, M.K. XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning. IEEE International Joint Conference on Neural Networks\ , 2018.

.. [#Zhao2019LSCP] Zhao, Y., Nasrullah, Z., Hryniewicki, M.K. and Li, Z., 2019, May. LSCP: Locally selective combination in parallel outlier ensembles. In Proceedings of the 2019 SIAM International Conference on Data Mining (SDM), pp. 585-593. Society for Industrial and Applied Mathematics.

.. [#Zhao2021SUOD] Zhao, Y., Hu, X., Cheng, C., Wang, C., Wan, C., Wang, W., Yang, J., Bai, H., Li, Z., Xiao, C., Wang, Y., Qiao, Z., Sun, J. and Akoglu, L. (2021). SUOD: Accelerating Large-scale Unsupervised Heterogeneous Outlier Detection. Conference on Machine Learning and Systems (MLSys).

.. [#Boniol2021SAND] Boniol, P., Paparrizos, J., Palpanas, T. and Franklin, M.J., 2021. SAND: Streaming Subsequence Anomaly Detection. Proceedings of the VLDB Endowment, 14(10), pp.1717-1729.

.. [#Malhotra2015Long] Malhotra, P., Vig, L., Shroff, G. and Agarwal, P., 2015. Long Short Term Memory Networks for Anomaly Detection in Time Series. In European Symposium on Artificial Neural Networks (ESANN).

.. [#Paparrizos2015KShape] Paparrizos, J. and Gravano, L., 2015. k-Shape: Efficient and Accurate Clustering of Time Series. In Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data, pp.1855-1870.

.. [#Ren2019Time] Ren, H., Xu, B., Wang, Y., Yi, C., Huang, C., Kou, X., Xing, T., Yang, M., Tong, J. and Zhang, Q., 2019. Time-Series Anomaly Detection Service at Microsoft. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp.3009-3017.

.. [#Xu2022Anomaly] Xu, J., Wu, H., Wang, J. and Long, M., 2022. Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy. In International Conference on Learning Representations (ICLR).

.. [#Yeh2016Matrix] Yeh, C.C.M., Zhu, Y., Ulanova, L., Begum, N., Ding, Y., Dau, H.A., Silva, D.F., Mueen, A. and Keogh, E., 2016. Matrix Profile I: All Pairs Similarity Joins for Time Series Subsequences. In 2016 IEEE 16th International Conference on Data Mining (ICDM), pp.1317-1322.

.. [#Ding2019DOMINANT] Ding, K., Li, J., Bhanushali, R. and Liu, H., 2019. Deep Anomaly Detection on Attributed Networks. In Proceedings of the 2019 SIAM International Conference on Data Mining, pp.594-602. SIAM.

.. [#Liu2022CoLA] Liu, Y., Li, Z., Pan, S., Gool, T., Xiang, T. and Gong, B., 2022. Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning. In Proceedings of the ACM Web Conference 2022, pp.2137-2147.

.. [#Xu2022CONAD] Xu, Z., Huang, X., Zhao, Y., Dong, Y. and Li, J., 2022. Contrastive Attributed Network Anomaly Detection with Data Augmentation. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp.444-457. Springer.

.. [#Fan2020AnomalyDAE] Fan, H., Zhang, F. and Li, Z., 2020. AnomalyDAE: Dual Autoencoder for Anomaly Detection on Attributed Networks. In Proceedings of the 29th ACM International Conference on Information and Knowledge Management, pp.747-756.

.. [#Yuan2021GUIDE] Yuan, X., Zhou, N., Yu, S., Huang, H., Chen, Z. and Xia, F., 2021. Higher-Order Structure Based Anomaly Detection on Attributed Networks. In 2021 IEEE International Conference on Big Data, pp.2691-2700. IEEE... [#Li2017Radar] Li, J., Dani, H., Hu, X. and Liu, H., 2017. Radar: Residual Analysis for Anomaly Detection in Attributed Networks. In Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, pp.2152-2158.

.. [#Peng2018ANOMALOUS] Peng, Z., Luo, M., Li, J., Liu, H. and Zheng, Q., 2018. ANOMALOUS: A Joint Modeling Approach for Anomaly Detection on Attributed Networks. In Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, pp.3529-3535.

.. [#Xu2007SCAN] Xu, X., Yuruk, N., Feng, Z. and Schweiger, T.A.J., 2007. SCAN: A Structural Clustering Algorithm for Networks. In Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.824-833.

.. [#Liu2024TSB] Liu, Q., Boniol, P., Palpanas, T. and Paparrizos, J., 2024. TSB-AD: Towards A Reliable Time-Series Anomaly Detection Benchmark. In Advances in Neural Information Processing Systems (NeurIPS).

.. [#Liu2022BOND] Liu, K., Dou, Y., Zhao, Y., Ding, X., Hu, X., Zhang, R., Ding, K., Chen, C., Peng, H., Shu, K., Sun, L., Li, J., Chen, G.H., Jia, Z. and Yu, P.S., 2022. BOND: Benchmarking Unsupervised Outlier Node Detection on Static Attributed Graphs. In Advances in Neural Information Processing Systems (NeurIPS).