单类分类广泛地存在于入侵检测、故障诊断等实际应用领域中，它能有效解决仅有一类样本用于训练分类器的问题和类别极端不平衡的问题。本书简要介绍了四类常用的单类分类器，重点介绍了基于信息理论学习的单类分类特征提取、鲁棒单类分类器和单类分类器集成，主要包括基于正则化相关熵的异常检测特征提取、基于可缩放hinge损失函数的鲁棒单类支持向量机、基于鲁棒AdaBoost的单类支持向量机集成、基于Renyi熵多样性度量的SVDD选择性集成。另外，本书还介绍了基于深度学习的异常检测方法，并以基于支持域的单类分类器为基础，较系统地讨论了单类分类的主要问题。

ftp://124.17.26.93/curved-toc/9787030692016-curvedToc.pdf