異常偵測：無監督或半監督？

🔑 增強重點摘要

• •此類方法在學術界常被歸類為『單類分類』（One-Class Classification, OCC），其核心假設是正常資料佔據特徵空間中的緊湊區域，而異常值則位於該區域之外。
• •使用驗證集進行閾值調整的過程，在嚴格定義下確實屬於『半監督學習』的範疇，因為驗證集中的標籤資訊被用於優化模型的決策邊界，而非僅僅是無監督的特徵學習。
• •現代異常偵測架構（如基於生成對抗網路 GAN 或變分自編碼器 VAE 的模型）常結合重構誤差（Reconstruction Error）作為異常分數，這使得模型在無標籤訓練下能有效捕捉資料的潛在分佈。

🛠️ 技術深入

• •常見架構：One-Class SVM (OC-SVM) 利用核函數將資料映射至高維空間以尋找最大邊界；Isolation Forest 則通過隨機分割特徵空間來隔離異常點。
• •深度學習方法：Deep SVDD (Deep Support Vector Data Description) 透過訓練神經網路將正常資料映射至超球體中心，異常點則被映射至遠離中心的位置。
• •閾值選擇策略：除了 F1 分數外，亦常使用 Precision-Recall 曲線下的面積 (AUPRC) 或 ROC 曲線下的面積 (AUROC) 來評估在不同閾值下的模型表現。
• •重構誤差計算：在 VAE 架構中，異常分數通常定義為輸入資料與解碼器輸出之間的均方誤差 (MSE)，假設模型無法準確重構未見過的異常模式。

🔮 前景展望AI analysis grounded in cited sources