আউটলায়ার ডিটেকশনের বিভিন্ন পদ্ধতি রয়েছে:
১. সুপারভাইজড পদ্ধতি (Supervised Methods)
সুপারভাইজড পদ্ধতি ডেটা নর্ম্যালিটি (normality) এবং অ্যাবনরম্যালিটি (abnormality) মডেল করে। ডোমেন এক্সপার্ট বেসিক ডেটার একটি স্যাম্পল পরীক্ষা ও লেবেল করে। আউটলায়ার ডিটেকশনকে একটি ক্লাসিফিকেশন সমস্যা হিসেবে মডেল করা যায়। কাজটি হল একটি ক্লাসিফায়ার শিখানো যা আউটলায়ার শনাক্ত করতে পারে।
স্যাম্পলটি ট্রেনিং এবং টেস্টিং-এ ব্যবহার করা যেতে পারে। অনেক অ্যাপ্লিকেশনে, এক্সপার্ট শুধু নরমাল অবজেক্টগুলো লেবেল করতে পারেন, এবং যেসব অবজেক্ট নরমাল অবজেক্টের মডেলের সাথে মেলে না সেগুলো আউটলায়ার হিসেবে ডকুমেন্ট করা হয়। বিভিন্ন পদ্ধতি আউটলায়ার মডেল করে এবং আউটলায়ার মডেলের সাথে মেলা নাও এমন অবজেক্টকে নরমাল বলে বিবেচনা করে।
২. আনসুপারভাইজড পদ্ধতি (Unsupervised Methods)
বहু অ্যাপ্লিকেশন পদ্ধতিতে, "নরমাল" বা "আউটলায়ার" হিসেবে লেবেল করা অবজেক্ট প্রাপ্য নয়। তাই, একটি আনসুপারভাইজড লার্নিং পদ্ধতি ব্যবহার করা হয়। আনসুপারভাইজড আউটলায়ার ডিটেকশন পদ্ধতি একটি নিহিত অনুমান করে: নরমাল অবজেক্টগুলো "ক্লাস্টারড (clustered)"।
আনসুপারভাইজড আউটলায়ার ডিটেকশন পদ্ধতি অনুমান করে যে নরমাল অবজেক্টগুলো আউটলায়ারের চেয়ে অনেক বেশি একটি প্যাটার্ন ফলো করে। নরমাল অবজেক্টগুলোর একটিমাত্র গোষ্ঠীতে উচ্চ সাদৃশ্য শেয়ার করতে হয় না। বরং, সেগুলো একাধিক গোষ্ঠীতে গঠন করতে পারে, যেখানে প্রতিটি গোষ্ঠীর একাধিক বৈশিষ্ট্য থাকে।
এই অনুমান সবসময় সত্য নয়। নরমাল অবজেক্টগুলো কোনো শক্তিশালী প্যাটার্ন শেয়ার করে না। বরং, সেগুলো ইউনিফর্মলি ডিস্ট্রিবিউটেড। সমষ্টিগত আউটলায়ার (collective outliers), একটি ছোট এলাকায় উচ্চ সাদৃশ্য শেয়ার করে।
আনসুপারভাইজড পদ্ধতি solchen আউটলায়ার কার্যকরভাবে শনাক্ত করতে পারে না। কিছু অ্যাপ্লিকেশনে, নরমাল অবজেক্টগুলো আলাদা আলাদা ডিস্ট্রিবিউটেড, এবং অনেক অবজেক্ট শক্তিশালী প্যাটার্ন ফলো করে না। উদাহরণস্বরূপ, কিছু ইনট্রুশন ডিটেকশন এবং কম্পিউটার ভাইরাস ডিটেকশন সমস্যায়, নরমাল কার্যকলাপ আলাদা এবং কিছু হাই-কোয়ালিটি ক্লাস্টারে না পড়ে।
কিছু ক্লাস্টারিং পদ্ধতি আনসুপারভাইজড আউটলায়ার ডিটেকশন পদ্ধতি হিসেবে কাজ করতে अनুকূল করা যায়। মূল আইডিয়া হল প্রথমে ক্লাস্টার খুঁজে বের করা, এবং তারপর যেসব ডেটা অবজেক্ট কোনো ক্লাস্টারের সদস্য নয় সেগুলো আউটলায়ার হিসেবে চিহ্নিত করা। কিন্তু এই পদ্ধতিগুলো দুটি সমস্যায় ग्रস্ত: প্রথম, কোনো ক্লাস্টারের সদস্য নয় এমন একটি ডেটা অবজেক্ট নויז (noise) হতে পারে আউটলায়ার না হয়ে। দ্বিতীয়, প্রথমে ক্লাস্টার খুঁজে বের করে পরে আউটলায়ার খুঁজে বের করা ব্যয়বহুল।
৩. সেমি-সুপারভাইজড পদ্ধতি (Semi-Supervised Methods)
বেশ কিছু অ্যাপ্লিকেশনে, যদিও কিছু লেবেলড ইনস্ট্যান্স প্রাপ্য, таких লেবেলড ইনস্ট্যান্সের সংখ্যা কম। এমন কেস দেখা যায় যেখানে শুধু নরমাল এবং আউটলায়ার অবজেক্টের একটি ছোট গ্রুপ লেবেলড, কিন্তু অনেক ডেটা আনলেবেলড। সেমি-সুপারভাইজড আউটলায়ার ডিটেকশন পদ্ধতি такие কেস হ্যান্ডেল করার জন্য উন্নত করা হয়েছে।
সেমি-সুপারভাইজড আউটলায়ার ডিটেকশন পদ্ধতিকে সেমি-সুপারভাইজড লার্নিং পদ্ধতির অ্যাপ্লিকেশন হিসেবে বিবেচনা করা যায়। উদাহরণস্বরূপ, যখন কিছু লেবেলড নরমাল অবজেক্ট উপলব্ধ, সেগুলো নিকটবর্তী আনলেবেলড অবজেক্টের সাথে ব্যবহার করে নরমাল অবজেক্টের জন্য একটি মডেল ট্রেন করা যায়। নরমাল অবজেক্টের মডেল ব্যবহার করে আউটলায়ার শনাক্ত করা যায় — যেসব অবজেক্ট নরমাল অবজেক্টের মডেলের সাথে ফিট করে না সেগুলো আউটলায়ার হিসেবে সংজ্ঞায়িত করা হয়।
