本文章讨论了高维数据的鲁棒性估计问题以及最近在该领域中提出的算法技术，尤其关注于鲁棒均值估计。

Nov, 2019

本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

Sep, 2016

本文提出了一种基于模型的异常检测方法，Out-of-Bag 异常检测，它可以处理由数字和分类特征组成的多维数据集，将无监督学习问题分解成集合模型的训练。通过对基准数据集的全面实验展示了该方法的最新性能，并通过房屋估值的案例研究展示了其可以作为数据预处理步骤，提高 ML 系统的准确性和可靠性。

Sep, 2020

本文提出了一种基于简要构建的数据摘要的分布式无监督学习算法，对异常点的全局识别有很好的近似保证，并在真实和人工数据上超过了所有基线算法。

May, 2018

这篇论文讨论了时间序列中的异常检测技术，提供了一种基于特征的分类法，并对现有技术进行了全面综述。

Feb, 2020

基于大规模公共卫生数据流，我们提出了一种新的算法任务，利用层次网络和极值分析，对任意单变量方法在每个流中的输出进行排名，以帮助专家区分最重要的离群值。通过公共卫生数据流的人工专家评估，我们的新算法在传统的离群值检测指标上表现最佳。自 2023 年 4 月以来，专家已开始使用我们的开源 Python 实现，汇报比之前的基准快 9.1 倍找到值得调查的离群值。其他组织可以轻松采用这个实现，从他们量身定制的单变量方法的输出中创建排名。

Jan, 2024

该研究通过对不同基准和图像模态的大规模评估，表明目前最流行的无监督离群检测方法无法一致地优于基于预训练特征和 Mahalanobis 距离的简单异常检测器，并基于对训练数据集中的不变性的表征提出了一个无监督离群检测的特征描述，该特征被运用在 MahaAD 方法中，解释了其质量，并能用于解释无监督离群检测器的预测并提供未来评估的见解。

Nov, 2021

本文综合研究了 12 个最流行的无监督异常检测方法，发现它们被评估时使用了不一致的协议，因此定义了一致的评估协议并用于比较它们在五个广泛使用的表格式数据集上的性能。尽管评估不能确定一种方法在所有数据集上优于其他方法，但它识别出那些突出表现的方法并修正了关于它们相对性能的错误认识。

Apr, 2022

本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

Nov, 2022

机器学习系统中的越界数据和异常输入是当前的漏洞，往往导致系统做出错误的预测。本文评估了 Benford's 法则作为一种用于量化真实输入和受损输入之间差异的方法。我们相信在许多情况下，它可以用作检测异常数据点和标识越界数据的过滤器。我们希望对这些应用进行讨论，并进一步探索该技术的其他领域。

Mar, 2024