Novelty Detection

Einfach erklärt

(Erkennung unbekannter Muster) Novelty Detection (wörtlich: „Neuheits-Erkennung“) bezeichnet Verfahren, mit denen neue, bisher unbekannte Muster erkannt werden sollen, die sich klar vom zuvor gelernten Normalverhalten unterscheiden.

Typische Situation: Ein Modell sieht in der Trainingsphase nur normale Beispiele (z. B. normale Transaktionen, normale Maschinenzustände) und lernt, wie diese aussehen. In der Anwendung (Deployment) werden dann neue Daten geprüft. Alles, was nicht zum gelernten Normalmuster passt, wird als „Novelty“ bzw. neuartiges, unbekanntes Muster markiert – oft im weiteren Sinne als Anomalie.

Kurz: Novelty Detection = „Ich kenne nur die Normalfälle – finde mir jetzt alles, was neu und anders ist.“

Beispiele

Qualitätskontrolle in der Produktion
Ein Modell wird mit Bildern fehlerfreier Produkte trainiert. Später markiert es neue Bilder, die stark von diesen Normalmustern abweichen (z. B. Kratzer, Verformungen), als Neuheiten – selbst wenn diese konkreten Fehlerbilder nie im Training vorkamen.
Maschinendiagnose / Zustandsüberwachung
Aus Vibrations- oder Sensordaten einer Maschine wird der normale Betriebszustand gelernt. Treten später neue, ungewöhnliche Muster auf (z. B. andere Frequenzspektren), werden sie als Novelty erkannt und können auf bislang unbekannte Defekte hinweisen.
Netzwerk- und IT-Sicherheit
Ein System lernt den normalen Netzwerkverkehr eines Unternehmens. Neue, auffällige Kommunikationsmuster – etwa Verbindungen zu bislang unbekannten Hosts, unübliche Ports oder Datenmengen – werden als Novelty markiert und können Hinweise auf neuartige Angriffe (Zero-Day-Muster) geben.
Sensorik & wissenschaftliche Datenanalyse
In Astronomie, Medizin oder Umweltmonitoring werden Modelle trainiert, typische Signale zu kennen. Unerwartete Signale (z. B. neue Himmelsobjekte, ungewöhnliche Messverläufe) werden als neuartige Muster aufgefunden.

Professionelle Definition

Novelty Detection ist ein Teilgebiet der Anomalieerkennung und One-Class- bzw. Ein-Klassen-Klassifikation. Ziel ist es, bei der Vorhersagephase Datenpunkte zu identifizieren, die sich deutlich von den im Training beobachteten Normaldaten unterscheiden.

Typische Annahme:

In der Trainingsmenge liegen nur Normaldaten (oder überwiegend Normaldaten ohne bekannte Ausreißer).
Das Modell lernt eine Repräsentation oder Entscheidungsgrenze für diese Normaldaten (z. B. dichte Regionen, Rekonstruktion, Distanzgrenzen).
Neue Beobachtungen, die „außerhalb“ dieser Normalregion liegen oder schlecht rekonstruiert werden, gelten als novel bzw. neuartig.

In vielen Quellen wird Novelty Detection als spezielle Form der Anomalieerkennung beschrieben, bei der das Training auf sauberen Normaldaten erfolgt und Abweichungen in späteren, neuen Daten identifiziert werden.

Typische Merkmale

Trainiert auf Normaldaten
Anders als klassische Outlier Detection (die mit gemischten Daten arbeitet) setzt Novelty Detection meist voraus, dass das Training mit (weitgehend) „sauberen“ Normaldaten erfolgt.
Fokus auf neue Instanzen zur Laufzeit
Novelties sind Beispiele, die in der Trainingsphase noch nicht vorkamen, aber nun im Einsatz auftreten und außerhalb der gelernten Normalregion liegen.
Enge Verbindung zu One-Class-Methoden
Viele Verfahren sind One-Class-Algorithmen (z. B. One-Class SVM, One-Class Neural Networks, Autoencoder), die explizit nur eine Klasse – die Normalität – modellieren.
Abgrenzung zu Outlier Detection
Outlier Detection arbeitet oft rein unsupervised auf gemischten Daten (Normal + Ausreißer) und versucht, seltene Punkte in dieser Menge zu finden. Novelty Detection wird häufig als semi-supervised Anomaly Detection beschrieben: Trainieren auf Normal, Erkennung von Neuheiten im Betrieb.
Einsatz von Distanz-, Dichte- und Rekonstruktionsansätzen
Beispiele: One-Class SVM, Isolation Forest (in Novelty-Konfiguration), Autoencoder (hoher Rekonstruktionsfehler = Neuheit), GAN-basierte Modelle, Deep One-Class-Verfahren.

Anwendungsfälle

Industrie & Predictive Maintenance
Früherkennung bisher unbekannter Fehlerzustände in Maschinen, Fahrzeugen, Anlagen.
Cyber-Security
Erkennung neuartiger Angriffs- oder Kommunikationsmuster in Netzwerk- und Systemdaten.
Finanzwesen
Identifikation bislang ungesehener Betrugsmuster, die sich vom gelernten legitimen Verhalten unterscheiden.
Medizin & Life Sciences
Auffinden ungewohnter Muster in Bildgebung, Vitaldaten oder Laborwerten, die auf neue Krankheitsverläufe oder seltene Ereignisse hinweisen können.
Wissenschaftliche Entdeckungen
Automatische Suche nach neuartigen Phänomenen in großen Datenströmen (z. B. Astronomie, Klimaforschung, Teilchenphysik).

Grenzen und Herausforderungen

Qualität der Normaldaten
Wenn die Trainingsdaten bereits unbekannt kontaminierte Ausreißer enthalten, kann das Modell Novelty Detection erschweren oder verfälschen.
Schwellenwertwahl
Wann eine Abweichung als „neu“ gilt, hängt von Schwellenwerten ab – zu strenge Schwellen erzeugen viele False Positives, zu lockere übersehen echte Neuheiten.
Konzeptdrift
Wenn sich das Normalverhalten im Laufe der Zeit ändert, muss das Modell angepasst oder neu trainiert werden, damit dauerhafte Veränderungen nicht fälschlich als Novelty markiert werden.
Interpretierbarkeit
Gerade bei komplexen Deep-Learning-Ansätzen ist erklärbar schwierig, warum etwas als neu erkannt wurde – für viele Domänen (z. B. Medizin, Sicherheit) aber wichtig.
Abgrenzung zu Rauschen und Artefakten
Nicht jede Neuheit ist inhaltlich relevant; Modelle müssen lernen, zwischen interessanten Neuheiten und zufälligem Rauschen zu unterscheiden.

Verhältnis zu verwandten Begriffen

Anomaly Detection / Anomalieerkennung
Oberbegriff für das Auffinden ungewöhnlicher Beobachtungen. Novelty Detection wird häufig als Spezialfall gesehen, bei dem das Training nur auf Normaldaten erfolgt.
Outlier Detection / Ausreißererkennung
Fokus auf seltene Punkte innerhalb eines vorhandenen Datensatzes – oft unsupervised. Novelty Detection fokussiert auf neue Beispiele, die nach dem Training auftreten.
Open-Set Recognition & Out-of-Distribution Detection
Verwandte Gebiete, in denen Modelle lernen sollen, Eingaben zu erkennen, die nicht zu den bekannten Klassen oder Trainingsverteilungen gehören.