您可以通过使用数据来证明您的选择是正确的。

将异常检测视为概念异常的监督学习问题。然后，您将能够为每种方法呈现其混淆矩阵。这不仅是一个很好的理由，而且可以理解预期的结果。

很多时候，我们有模型，我们想知道应该使用哪个置信度阈值来发出警报。在监督学习框架中，您将能够进行权衡，例如“增加对 X 的置信度将导致更好的精度 Y，但减少对 Z 的召回”。

我想补充一下 Dan Levin 的回答，当你想证明一种方法的合理性时，“科学/工程方法”是首先进行书目研究，在那里你基本上证明你的方法涵盖了通常称为状态的重要部分-最先进的方法。我将恢复如下：

1. 寻找已知对异常值检测有效的常用方法。
2. 总结它们的适用领域（医学、生物学、网络安全..），并尝试将它们的优势与您的应用程序联系起来，以便选择一些有前景的方法。
3. 尝试使用机器学习问题固有的常规验证过程选择的方法。

定义最先进的技术包含大量工作，这是绝对必要的，并且非常适合您的应用程序。