Key points are not available for this paper at this time.
A detecção de anomalias desempenha um papel crucial em vários domínios, incluindo, mas não se limitando a, cibersegurança, ciência espacial, finanças e saúde. No entanto, a falta de conjuntos de dados de referência padronizados impede a avaliação comparativa de algoritmos de detecção de anomalias. Neste trabalho, abordamos essa lacuna apresentando uma coleção curada de conjuntos de dados pré-processados para anomalias em espaçonaves, com fontes de múltiplas origens. Esses conjuntos de dados cobrem uma ampla gama de anomalias e cenários do mundo real para as espaçonaves. Além disso, adicionamos dois conjuntos de dados gerais, garantindo uma avaliação abrangente e a generalização dos algoritmos de detecção de anomalias. Nosso processo de compilação envolve etapas rigorosas de pré-processamento para garantir a integridade dos dados e a proteção da privacidade. Cada conjunto de dados é minuciosamente documentado, incluindo descrições de anomalias, metodologias de pré-processamento e métricas de avaliação. Ao fornecer este conjunto de dados de referência unificado, nosso objetivo é facilitar a avaliação justa e transparente dos algoritmos de detecção de anomalias, avançando, em última análise, o estado da arte na pesquisa de detecção de anomalias.
Srivastava et al. (Sat,) estudaram essa questão.