anomaly-detection
本站收录 30 个带「anomaly-detection」标签的 AI 开源项目
pyodPyOD是一个专注于异常检测的Python库，覆盖表格、时间序列、图、文本、图像和音频等多种数据类型，内置60多种检测算法，包括经典的LOF、IForest以及★ 10,020
pycaretPython 生态中的开源低代码 AutoML 平台，几行代码即可完成数据预处理、模型训练、调参与对比。4.0 版本采用 sklearn 原生引擎并引入 Rea★ 9,848
anomaly-detection-resources这是一个异常检测领域的精选资源清单，汇集了书籍、论文、视频和工具箱，覆盖从经典统计方法到深度学习、大语言模型（LLM）和视觉语言模型（VLM）的最新进展。项目持★ 9,406
nixtlaNixtla 是一个专注于时间序列预测与异常检测的开源项目，其核心是 TimeGPT-1，一个生产级的预训练时间序列基础模型。该模型基于生成式预训练 Trans★ 4,017
awesome-industrial-anomaly-detection这是一个持续更新的工业图像异常/缺陷检测论文与数据集检索库，汇集了该领域从经典到前沿的学术资源。项目按任务类型（如异常检测、异常分割、缺陷分类）和数据集（如MV★ 3,803
loghubLoghub 是一个面向 AI 日志分析研究的大型系统日志数据集集合，由香港中文大学等团队维护，论文发表于 ISSRE'23。它解决的核心问题是：日志分析领域长★ 2,864
ailia-modelsailia-models 是一个汇集了预训练、前沿 AI 模型的集合，专为 ailia SDK 设计。它解决了 AI 模型从研究到部署之间的鸿沟，提供了统一、易★ 2,393
graph-fraud-detection-papers这是一个精选的图神经网络与Transformer在欺诈检测、异常检测和离群点检测领域的论文与资源列表。项目系统整理了基于图结构（如GNN、Graph Trans★ 1,897
momentMOMENT 是一个开源的时间序列基础模型家族，来自 ICML'24 论文。它解决的是通用时间序列预测、分类、异常检测等任务中缺乏统一预训练模型的问题。核心能力★ 850
openchatbiOpenChatBI 是一个基于大语言模型的智能对话式 BI 工具，目标是让用户用自然语言完成数据查询、分析和可视化，无需写 SQL 或操作复杂报表。它用 La★ 658
UniTSUniTS是一个统一的多任务时间序列模型，旨在解决传统时间序列模型只能处理单一任务（如预测、分类或异常检测）的问题。它通过一个统一的网络架构，支持分类、回归、预★ 648
TSB-ADTSB-AD 是一个面向时间序列异常检测的开源基准与工具箱，提供统一的算法实现、数据集加载和评测流程。它解决的核心问题是：时间序列异常检测领域算法众多、数据集分★ 335
home-generative-agent这是一个为 Home Assistant 打造的生成式 AI 智能体，旨在让用户通过自然语言与智能家居交互。它解决了传统自动化配置复杂、摄像头监控被动等问题，核★ 310
SecurityClawSecurityClaw 是一个基于技能模块的自主安全运营中心（SOC）智能体，专为安全团队设计，用于自动化威胁监测与响应。它从 OpenSearch/Elas★ 272
TSLANetTSLANet 是一个面向时间序列任务的轻量级基础模型，发表于 ICML 2024。它结合卷积操作与自适应频谱分析，旨在统一处理分类、回归、异常检测和插补等多种★ 267
AnomalyDINOAnomalyDINO 是一个基于 DINOv2 的少样本异常检测开源模型，发表于 WACV2025。它针对工业质检中标注样本稀缺的问题，通过增强 patch ★ 255
time-series-ptms这是一个时间序列预训练模型（PTMs）的官方实现代码库，对应TKDE-24论文《A Survey on Time-Series Pre-Trained Mode★ 230
Awesome-Anomaly-Detection-Foundation-Models这是一个精选列表，汇集了基于基础模型（如大语言模型、视觉-语言模型、图基础模型、时间序列基础模型）进行异常检测的相关论文和资源。项目旨在为研究者和工程师提供一个★ 223
InCTRLInCTRL 是 CVPR 2024 论文的官方实现，提出了一种基于上下文残差学习的通用异常检测方法。它解决的是传统异常检测模型泛化能力差、需要针对每个新场景重★ 202
LogLLMLogLLM 是一个基于大语言模型的系统日志异常检测开源项目。它针对传统日志分析依赖人工规则、难以应对复杂系统的问题，利用 LLM 的语义理解能力，将日志消息转★ 199
predictive-maintenance这是一个面向预测性维护（Predictive Maintenance）场景的开源数据集集合，主要服务于设备故障预测、异常检测和剩余寿命估计等工业AI任务。项目以★ 172
paper-listpaper-list 是一个自动更新的论文列表项目，专注于图像生成领域，同时覆盖动作识别、异常检测、音频处理、分类、深度估计、图神经网络等多个方向。它通过自动化★ 161
AnomagicAnomagic 是一个面向工业异常检测的零样本异常图像生成框架，对应 AAAI 2026 论文的官方实现。它解决的是工业场景中异常样本稀缺、难以收集的问题，通★ 159
TABTAB 是一个面向时间序列异常检测（TSAD）方法的统一基准测试框架，相关论文被 PVLDB 2025 接收。它解决当前异常检测领域缺乏公平、全面评估平台的问题★ 144
SIMURGSIMURG 是一个面向大语言模型流式输出的在线异常检测与防护工具。它解决的核心问题是：LLM 在解码过程中常出现重复循环、语言漂移、乱码等退化现象，而传统方案★ 108
sigllmsigllm 是一个利用大型语言模型进行时间序列异常检测的开源项目。它针对传统时间序列异常检测方法在复杂场景下泛化能力不足的问题，提出将时间序列数据转化为语言模★ 97
FoundADFoundAD 是 ICLR 2026 论文《Foundation Visual Encoders Are Secretly Few-Shot Anomaly ★ 86
AnomalyVFMAnomalyVFM 是一个面向工业视觉异常检测的零样本检测框架，发表于 CVPR 2026。它旨在解决传统异常检测模型依赖大量正常样本训练、泛化能力差的问题，★ 74
WinCLIPWinCLIP 是 CVPR 2023 论文《WinCLIP: Zero-/few-shot anomaly classification and segmen★ 74
med-ts-llmMedTsLLM 是一个面向多模态医疗时间序列分析的开源项目，旨在利用大语言模型（LLM）处理医疗场景中的时序数据（如生命体征、实验室指标等）。它解决的核心问题★ 67