假设您的数据集是一组温度，其中包含一组与进行测量的时间/地点相关的特征。

如果测量值与温度分布不同，无论其特征（时间和地点）如何，它都是全局异常值，因为该测量值远离全球分布（例如 100°C）。

该示例很好地说明了查看条件分布（温度|地点、测量时间）如何提供额外的见解（此处检测到 28°C 是上下文异常值）。上下文异常值在全局分布内，但在查看条件分布时是异常值。

现在当然你的数据集有一些上下文，所以从某种意义上说你是对的，一切都是上下文的，但是全局/上下文边界存在于你手头：如果你只有一天的温度，比较温度从那天到那天的所有测量都可以让您检测到全局异常值；现在，如果您全年都可以接触到温度并且您仍然精确地看着那一天，那将成为一个条件分布。

如果没有背景信息，基本上很难发现上下文异常值。如果您不知道这些值是夏季的温度，则它可能被视为有效数据点。

任何异常值，无论是点异常值还是集体异常值，在针对上下文进行分析时也可以是上下文异常值。通过结合上下文信息，可以将用于检测点异常值或集体异常值的异常值检测问题转化为用于检测上下文异常值的异常值检测问题。

来源：https ://shodhganga.inflibnet.ac.in/bitstream/10603/154074/4/04_chapter%201.pdf

因此，当您说全局异常值检测确实需要上下文时，您是正确的。

但是让我们考虑一下上下文是时间的时间序列数据。如果数据点的值远远超出整个数据集，则将其视为全局异常值。如果值不在正常的全局范围之外，但与季节性模式相比是异常的，则将其视为上下文异常值。

资料来源： https ://www.anodot.com/blog/quick-guide-different-types-outliers/

因此，需要将上下文异常值作为一个单独的类别。