开源工具包，自动发现数据中的异常点，适合天文等领域的异常检测。
Coniferest: a complete active anomaly detection framework
- 基于隔离森林与主动发现算法，支持静态和主动异常检测。
- 在合成数据和真实天文数据上验证有效，能发现隐藏异常模式。
- 专为科研设计，适合天文学、工业监测等需要主动探测异常的场景。
我们提出 coniferest，一个用 Python 编写的开源通用主动异常检测框架。该框架包含模块化设计与实现算法，目前支持基于孤立森林的静态离群点检测；同时提供主动异常发现（AAD）和 Pineforest 算法以应对主动异常检测任务。算法与框架性能在一系列合成数据集上进行了评估。此外，还描述了在 SNAD 项目中应用该工具包于真实天文数据的若干成功案例，展示了其在主动异常检测任务中的有效性。
原文摘要 · Abstract (English)
We present coniferest, an open source generic purpose active anomaly detection framework written in Python. The package design and implemented algorithms are described. Currently, static outlier detection analysis is supported via the Isolation forest algorithm. Moreover, Active Anomaly Discovery (AAD) and Pineforest algorithms are available to tackle active anomaly detection problems. The algorithms and package performance are evaluated on a series of synthetic datasets. We also describe a few success cases which resulted from applying the package to real astronomical data in active anomaly detection tasks within the SNAD project.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。