---
id: ML-OUT-DET-001
category: Dev
confidence_score: 1.0
tags: [machine-learning, outlier-detection, [[Anomaly-Detection|Anomaly-Detection]], [[Statistics|Statistics]], isolation-forest, data-quality]
last_reinforced: 2026-04-26
---

# Outlier Detection Techniques (이상치 탐지 기법)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "대다수의 흐름에서 벗어난 소수의 '튀는 데이터'를 식별하여, 시스템의 오류를 미연에 방지하거나 숨겨진 위협을 포착하라" — 데이터 전체의 통계적 경향성에서 크게 벗어나 데이터의 질을 떨어뜨리거나 부정적 이벤트를 암시하는 이상치(Outliers)를 탐색하는 방법론.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Deviation and Isolation [[Analysis|Analysis]]" — 정상 데이터가 밀집된 영역을 정의하고 그 밖의 데이터를 찾거나(Z-score, IQR), 정상 데이터보다 훨씬 적은 횟수의 질문만으로도 고립(Isolation)되는 데이터를 이상치로 분류하는 패턴.
- **주요 기법:**
    - **Statistical:** Z-score(표준편차 활용), IQR(사분위수 활용). 정규분포를 가정할 때 효과적.
    - **Distance-based (KNN):** 주변 이웃과의 거리가 먼 데이터를 이상치로 판단.
    - **Density-based (LOF):** 주변 데이터 밀도가 상대적으로 낮은 지점을 탐지.
    - **Isolation Forest:** 데이터를 무작위로 분할할 때 빨리 고립되는 지점을 찾는 현대적 표준.
- **의의:** 신용카드 부정 결제 감지, 공장 설비 고장 예지, 데이터 전처리 단계의 노이즈 제거 등 시스템의 신뢰성을 지탱하는 핵심 모니터링 기술.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 모든 이상치를 '제거해야 할 오류'로 보던 단계에서, 이제는 이상치 자체가 가장 중요한 정보를 담고 있는 '이벤트(Fraud 등)'라는 인식으로 전환되어 정교한 분석의 대상이 됨.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 연산 리소스 사용량이 평소 분포를 크게 벗어날 때, Isolation Forest 기반의 이상 탐지 엔진을 가동하여 비정상적인 루프나 해킹 시도를 실시간으로 차단함.

## 🔗 지식 연결 (Graph)
- [[Out-of-distribution-Detection|Out-of-distribution-Detection]], Pre-Processing-Data-for-AI, Clustering-Algorithms-Foundations, [[High-Availability-Systems|High-Availability-Systems]]
- **Raw Source:** 10_Wiki/Topics/AI/Outlier-Detection-Techniques.md