基于全局邻域的局部子空间异常检测
对离群点检测中的邻居方法及其组成部分进行了研究，引入了一个分类法，使用信息、邻居和方法学作为三个层面来定义混合方法，通过合并该分类法的不同组成部分，可以提出新的基于邻居的离群点检测方法，实验结果表明，基于逆 K 最近邻方法在高维空间中具有良好性能。
May, 2024
该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法，通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来，实现了在大型数据集中正确检测离群点的目的。
Apr, 2017
本研究在 52 个实际多元表格数据集上评估 32 种无监督异常检测算法，在收集的数据集中，K-thNN 算法在大多数情况下表现最佳，也确定了两个清晰的簇，一个有 “局部” 数据集，另一个有 “全局” 数据集，考虑到算法的计算复杂性，这三种算法足以找到代表性的多元数据集中的异常。
May, 2023
本研究考虑了一个不带标签数据集的聚类问题，它们被认为靠近低维平面的联合。研究人员发展了一种新的基于几何分析的算法，名为稀疏子空间聚类（SSC），可以广泛应用于无监督学习和计算机视觉等领域，论文展示了它在多个方面的有效性，并开创了有关稀疏恢复问题的新思路，数值研究强调了方法的实用性。
Dec, 2011
本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。
Jun, 2023
提出了一种使用本地方向分散 (LoDD) 方法来检测边界点的鲁棒且高效的方法，该方法在非凸结构和高维流形中能够准确地识别边界点，并在多个数据集上展示了良好的聚类性能。
Dec, 2023
本文提出了一种基于观测到的正常样本的全局和局部信息相结合的异常检测方法 GALDetector，该方法通过分离出观察样本中的潜在异常样本并为所选样本分配相应的权重来训练带权重的异常检测器，实验结果表明，该方法在三类实际数据集上的表现比其他现有技术更好。
Jun, 2023