是的，异常检测可以处理不完整的数据，但其有效性取决于所使用的方法和缺失信息的性质。 许多真实世界的数据集由于传感器错误、数据收集问题或记录不完整而存在缺口。 虽然缺失数据带来了一些挑战（例如降低模型准确性或导致结果偏差），但一些技术可以适应这些限制。 关键是选择可以直接处理缺失值或足够鲁棒以处理部分信息而无需大量预处理的方法。
一种常见的策略是使用本身就能容忍缺失数据的算法。 例如，Isolation Forest 是一种基于树的方法，可以通过在树构建期间忽略具有缺口特征上的分割来处理缺失值。 类似地，诸如高斯混合模型 (GMM) 之类的概率模型可以通过利用观察数据的分布来估计缺失值。 另一种方法是数据插补，其中使用诸如均值/中位数替换、k 最近邻 (KNN) 或更高级的技术（如链式方程多重插补 (MICE)）等方法来填充缺失值。 但是，插补引入了关于数据的假设，如果操作不当，可能会扭曲结果。 自编码器是一种神经网络，也可以在不完整的数据上进行训练，以重建正常模式并标记偏差，即使缺少一些输入特征也是如此。
实际应用展示了这些技术的工作原理。 例如，在物联网系统中，传感器可能会间歇性地发生故障，从而在温度或振动数据中留下缺口。 自编码器可以从可用的读数中学习典型模式，并检测部分缺失时间序列中的异常。 在医疗保健中，患者记录通常缺少实验室结果或人口统计详细信息。 诸如 Isolation Forest 之类的模型可以通过关注可用特征来标记不寻常的患者病例。 但是，开发人员必须评估缺失数据对其特定用例的影响。 如果缺口是非随机的（例如，传感器仅在极端条件下发生故障），则插补可能会掩盖真正的异常。 使用合成缺失数据进行测试或在自编码器中使用诸如重建误差之类的指标可以帮助评估鲁棒性。 最终，使用不完整的数据进行异常检测是可行的，但需要仔细的方法选择和验证。