--- title: "新穎性偵測（Novelty Detection）" slug: novelty-detection language: zh-TW source: https://aiterms.tw/terms/novelty-detection updated_at: 2026-07-04 tags: [機器學習, 異常偵測, 資料處理, 模型評估, source:arxiv] ipas_term: false --- # 新穎性偵測（Novelty Detection） 新穎性偵測是一種機器學習技術，旨在識別訓練資料中從未出現過的全新模式或資料點，通常用於確保系統在面對未知情況時的穩定性。 ## 完整說明 新穎性偵測是一種機器學習方法，用於識別與已知訓練資料顯著不同的新資料點。它能夠幫助模型發現從未見過的異常模式。常見應用包括醫療影像分析、網路安全未知攻擊偵測，以及工業設備的預測性維護，這對於提升系統在真實環境中的可靠性極為重要。 ## 常見問題 ### 新穎性偵測和異常偵測在實務應用上有什麼明顯的區別？ 在實務應用上，兩者的主要區別在於對訓練資料的假設與任務目標。異常偵測通常面對的是一個已經包含少量異常值的靜態資料集，目標是在這個資料集中找出那些不尋常的離群點。這有點像是在一堆沙子中挑出混入的幾顆小石頭。相對地，新穎性偵測則強烈依賴於時間維度與動態推論，它假設訓練階段我們只擁有純淨的正常資料，模型的任務是學習這些正常資料的特徵邊界。當系統部署上線後，它負責監控持續輸入的新資料串流，並判斷其中是否出現了與訓練集截然不同的全新模式。簡而言之，異常偵測著重於資料清理，而新穎性偵測側重於即時預警。 ### 單類別支持向量機（One-Class SVM）在新穎性偵測中的運作優勢與局限性為何？ 單類別支持向量機是一種極具代表性的幾何方法。它的優勢在於不依賴資料必須符合特定的機率分布假設，能夠靈活地應對複雜且非線性的資料特徵，並且在處理中小型資料集時展現出良好的穩定性。它透過核函數將資料映射到高維空間，從而能夠捕捉到複雜的決策邊界。然而，其局限性也相當明顯。首先，當資料維度極高或資料量龐大時，計算成本會呈指數級別上升，導致訓練效率低落。其次，超參數的選擇對最終偵測效果極為敏感，且在只有單一類別資料的情況下，很難透過傳統的交叉驗證來進行客觀且精準的調校。 ### 如何評估新穎性偵測模型的效能？因為通常沒有異常樣本可以測試。 評估新穎性偵測模型確實是一個具挑戰性的工作，因為在訓練階段缺乏未知樣本的標籤。實務上，最常見的做法是構建一個獨立的測試資料集，這個資料集必須包含一部分保留的正常資料以及刻意收集或人工合成的新穎異常資料。利用這個測試集，我們可以計算模型輸出的新穎性分數，並繪製接收者操作特徵曲線以及精確率與召回率曲線。計算曲線下面積是衡量模型區分正常與新穎樣本能力的標準指標。此外，在某些工業應用中，也會採用基於時間序列的預警提前時間或誤報率作為實際營運環境下的業務評估指標，確保模型具備實用性。 --- 來源：https://aiterms.tw/terms/novelty-detection 快查頁：https://aiterms.tw/terms/novelty-detection 最後更新：2026/07/04 深度解說：https://aiterms.tw/learning/what-is-novelty-detection