数据流中的异常检测：挑战与技术

基于摘要分析。这篇学位论文主要研究一般数据流的无监督异常检测，针对环境动态变化、观测高速到达及数据量无界三个问题，提出历史相关性加权集成、偏置子采样集成和内存高效的增量局部异常检测方法。EEG 并非全文唯一研究对象，而是结尾赛车驾驶员分心案例使用的信号。 对于间歇切换的数据流，静态正常行为模型可能增加误报。作者提出 relevance-weighted ensemble model，按历史时段与当前环境的相关性利用正常行为信息，以兼顾环境变化与计算效率；摘要未说明相关性估计及模型更新的具体规则。另提出 Biased SubSampling（BSS）与 Diversity-based Biased SubSampling（DBSS），以无监督方式改善集成成员的检测能力并增加成员多样性，从偏差—方差权衡解释其效果；摘要将其描述为可潜在用于流式数据，不能据此认定全部实现已经满足在线处理要求。 针对有限内存条件，作者提出 MiLOF 及更灵活的 MiLOF_F。作者报告，相较 incremental local outlier factor（iLOF），这些方法的检测准确性接近，同时具有固定内存界限及较低时间复杂度；作者还报告 MiLOF_F 对数据点数量、底层簇数量和维度变化具有稳健性。摘要未提供评估数据、划分、指标数值或资源测量协议，实验协议、消融及统计信息尚未验证。EEG 案例的被试数、通道、分心标签、对照与评估结果也尚未验证。 平台推测（待验证）：若 EEG 正常状态可在特征空间形成可识别的局部密度结构，历史加权与固定内存更新可能用于应对跨会话漂移及在线资源限制。可复用部分是异常检测与更新机制，需改造 EEG 特征提取、伪迹处理和正常状态定义；低信噪比、被试差异、通道变化及小数据可能使状态切换或伪迹被误判为分心。一个可检验的小实验是在按时间顺序划分的驾驶 EEG 上，以正常片段初始化，对比静态检测器、相关性加权方案及 iLOF/MiLOF，分别核对分心检出、误报、处理延迟和内存占用。该方案仅为迁移假设，不是论文已验证结果；相关 EEG 工作尚未检索确认。