anomaly-detection-resources

一站式找全异常检测学习资源,紧跟LLM前沿

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。项目持续更新至2025年底,旨在为研究人员和工程师提供一站式学习与参考入口,解决异常检测方向资料分散、难以系统入门的问题。核心能力包括按主题分类的资源导航、对前沿LLM/VLM工作的重点收录,以及配套工具链的索引,帮助用户快速定位所需文献或代码实现。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 9394
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队yzhao062
所属国家
官网地址
定价模式free
价格说明开源资源列表,完全免费,无付费版本。
访问状态
是否开源是
开源协议AGPL-3.0
主要语言Python
技术栈/模型anomaly-detection,awesome,awesome-list,data-mining,fraud,fraud-detection,graph-neural-networks,large-language-models,llm,machine-learning,outlier,outlier-detection,outlier-ensembles,time-series-analysis,unsupervised-learning,vlm,vlms
GitHub 星标★ 9394
30天Star增速
HF 下载量
上线时间2018-05-16 00:00:00
最近更新2026-09-22 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数2

使用教程

难度:入门 约 5 分钟 部署方式:本地安装 4 步

⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。

环境要求

  • 可访问 GitHub 的网络环境(用于浏览或克隆仓库)
  • 本地已安装 git(仅在需要克隆到本地时使用)
  • 任意浏览器或文本编辑器,用于阅读 README 中的资源清单

安装与启动步骤

  1. 1克隆资源仓库

    把仓库拉到本地便于离线阅读和后续更新;只想在线浏览可跳过此步,直接打开 GitHub 页面。

    git clone https://github.com/yzhao062/anomaly-detection-resources.git
  2. 2进入仓库目录

    进入克隆下来的文件夹,目录内主要为说明文档,不含可执行程序。

    cd anomaly-detection-resources
  3. 3按分类查阅资源

    打开 README,按书籍与论文、在线课程与视频、异常数据集、开源与商业库/工具包等分类定位所需资料。

  4. 4跳转第三方工具

    清单中收录的库和数据集需点击跳转到各自项目,按其官方文档另行安装使用,本仓库不负责安装。

如何确认成功

本地出现 anomaly-detection-resources 目录,README 能正常打开并看到书籍、论文、数据集、工具包等分类清单。

常见问题

Q:这个仓库能直接运行吗?

A:不能。它是异常检测领域的精选资源清单,内容为书籍、论文、视频、数据集和工具箱的链接,本身不含可执行代码。

Q:必须克隆到本地吗?

A:不必。只做资料查阅直接在 GitHub 网页浏览 README 即可;克隆本地主要方便离线查看和持续更新。

Q:需要安装 Python 或第三方依赖吗?

A:不需要。仓库本身无安装步骤;清单中收录的第三方工具箱,需各自按其项目文档安装依赖。

Q:内容更新到什么时候?

A:项目说明中标注持续更新至 2025 年底,覆盖传统统计方法到深度学习、LLM/VLM 的最新进展。

Q:有官网或独立文档站吗?

A:没有独立官网,全部资源导航集中在 GitHub 仓库的 README 中。

注意事项

  • 本仓库是 awesome 资源清单,无安装包和可执行程序,不要尝试安装同名包。
  • README 中使用的是 reStructuredText 格式,直接用文本编辑器或 GitHub 页面阅读即可。
  • 清单内的第三方库、数据集版权与使用条款各自独立,使用前请查阅对应项目。
  • 建议 star 或 fork 仓库,便于跟踪后续新增的论文与工具。

核心亮点

  • 资源分类清晰,覆盖经典到LLM/VLM前沿,便于系统学习
  • 持续更新至2025年,收录最新工作,时效性强
  • 整合论文、书籍、视频和工具箱,实用性强,适合快速上手

不足之处

  • 纯资源列表,无代码示例或深度解读,需自行消化
  • 文档/社区待观察

适用场景

  • 科研入门:快速了解异常检测领域全貌和研究方向
  • 技术选型:查找特定场景(如时序、图像)的成熟工具箱
  • 前沿追踪:跟进LLM/VLM在异常检测中的最新应用

替代项目

awesome-anomaly-detection、pyod、anomalib

项目介绍

anomaly-detection-resources 是数据集领域的开源项目,由 yzhao062 开发,2018 年首次发布。

在全站 13,014 个收录项目中,它的 GitHub 星标数(9,394)位列前 6%,在数据集分类的 279 个项目里位列前 6%。

近 41 天,它的 GitHub 星标从 9,366 增加到 9,394,净增 28。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-22。开源资源列表,完全免费,无付费版本。

它主要面向的使用场景是:科研入门:快速了解异常检测领域全貌和研究方向。同类可对比的替代方案包括 awesome-anomaly-detection、pyod、anomalib。

上一篇:leaked-system-prompts

下一篇:data-juicer

同类项目推荐

X-AnyLabeling 开源

一站式AI辅助标注,图像视频文本通吃,导出格式随心配

X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···

★ 10528 2026-08-10
aisheets 开源

像用表格一样批量调 AI,不写代码就能造和改数据集

Build, enrich, and transform datasets using AI models with no code

★ 1645 2026-09-20
distilabel 开源

基于论文的合成数据流水线,快速生成高质量 AI 反馈数据。

Distilabel is a framework for synthetic data and AI feedback for engineers who need ···

★ 3398 2026-08-10
DataGen 开源

用大模型一键生成定制化训练数据,告别数据荒

[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models

★ 69 2026-08-09