证书透明日志中的异常检测

利用二进制反馈改进孤立森林算法，减少高排名误报，适用于大数据集的交互式异常发现。

基于Transformer的日志异常检测方法实现了多领域的良好泛化性能，取得了最先进的性能。

提出OptIForest算法，通过偏差减少实现更好的偏差-方差权衡，优于现有深度学习方法。

定义特征重要性得分和特征选择过程，在无监督异常检测中表现优越。

主动学习方法（ALIF）用于检测领域特定异常，性能优于其他算法，适合决策支持系统。

Extended Isolation Forest（EIF）算法改善异常得分分配，显著提高算法鲁棒性。

将孤立森林方法扩展到函数数据，以更准确地检测复杂基础设施的异常。

分析六个公开日志数据集，发现大多数异常与顺序表现无直接联系，简单检测技术即可实现高检测率。

基于无监督深度学习的在线异常检测方法显著提高威胁检测的召回率。

新颖的混合框架通过整合无监督策略的创新算法，增强日志异常检测的有效性，满足现代复杂系统的需求。