正则化在异常检测模型中的作用是通过约束模型的复杂性来防止过拟合和提高泛化能力。异常检测通常涉及从不平衡的数据集中学习模式，其中“正常”数据丰富，但异常数据很少。如果没有正则化，模型可能会记住训练数据中的噪声或不相关的细节，从而降低它们检测新数据中真实异常的能力。通过对过度复杂的模式（例如，神经网络中的大权重）添加惩罚，正则化确保模型专注于更广泛、更可泛化的特征，这些特征区分正常行为和异常行为。
例如，在自编码器（一种常见的异常检测架构）中，L1 或 L2 正则化可以应用于编码器或解码器层。L1 正则化鼓励稀疏性，迫使模型使用更少的特征来重建输入数据。当异常与特定特征偏差相关联时，这很有用。在隔离森林或单类 SVM 模型中，类似正则化的参数（例如，污染因子或内核宽度）控制模型与数据的拟合程度。一个正则化不良的隔离森林可能会创建过度深入的树，从而过度拟合噪声，而适当的正则化可确保树以更少的分裂隔离异常，从而提高效率。
但是，应用正则化需要平衡检测灵敏度和特异性。过度正则化会导致模型通过过度简化决策边界而遗漏细微的异常。例如，在为欺诈检测训练的神经网络中，过度的 L2 正则化可能会过度平滑潜在表示，从而降低模型对罕见欺诈模式的敏感性。开发人员应使用针对异常量身定制的验证指标（例如，精确率-召回率曲线或 F1 分数）而不是通用准确率来调整正则化强度。对分层样本或合成异常注入进行交叉验证等技术可以帮助找到特定用例的正确权衡。