Answers:
从问题的表述中，我假设没有任何异常（即标签）的“示例”。在这种假设下，一种可行的方法是使用自动编码器：神经网络接收数据作为输入，并经过训练以输出非常相同的数据。想法是，培训使网络能够以潜在变量的形式学习输入数据分布的表示形式。
有一种类型的自动编码器称为的去噪自动编码器，其与训练损坏版本的原始数据作为输入，并与所述的未被破坏的原始数据作为输出。这提供了可以消除输入噪声（即数据损坏）的网络。
您可以使用每日数据训练降噪自动编码器。然后将其用于新的每日数据；这样，您将拥有原始的每日数据以及这些数据完全相同的完整版本。然后，您可以将两者进行比较以检测出显着差异。
此处的关键是您选择哪种显着差异定义。您可以计算欧几里得距离，并假设如果它超过了某个任意阈值，则说明存在异常。另一个重要因素是您引入的腐败类型。它们应尽可能接近合理的异常。
另一种选择是使用生成对抗网络。培训的副产品是一个区分器网络，该网络将正常的日常数据与异常的数据区分开。
我认为这在很大程度上取决于数据的性质（分类/连续）。我先从简单的方法开始。我想到的是：
如果这些都不适合，则存在专门用于异常检测的stats / ML模型的整个分支。SVM，t-SNE，隔离林，对等组分析，断点分析，时间序列（您可以在其中查找趋势以外的异常值）。
这些方法的优点是它们是白盒，因此您可以说出为什么有人是异常值。如果这不是您想要的东西，其他人建议使用ANN方法，该方法也将起作用。
我正在尝试解决类似的问题。您的数据集是否包含文本和数字特征的混合？如果是这样，检测异常的复杂性就会增加（我不知道是什么因素造成的）。如果您的数据集是统一的，例如仅包含数值，则可以使用仍需要标记数据集的RNN，但它可以检测时间序列（如模式）（因为您提到了与前一天的值进行比较）