通过优化目标空间内的规范来改进异常检测，研究发现可以使用适当规范的任何空间作为等效替代，无需依赖于训练样本分布假设，提出了一种简单且与数据无关的深度单类分类方法。

Aug, 2023

我们提出了一个简单的框架，用于一类分类和异常检测。学习一个映射来将未知的训练（正常）数据分布转化为已知的目标分布，保证目标分布足够简单、紧凑且具有信息丰富性，同时最小化转化后的数据分布与目标分布的距离，并保持原始数据的重建误差足够小。与基准方法相比，对多个基准数据集验证了我们方法的优越性。

Jul, 2023

本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。

Oct, 2018

本文提出了一种一类神经网络（OC-NN）模型，该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标，从而可以检测复杂数据集中的异常值，实验证明该方法表现良好。

Feb, 2018

提出了一种基于深度对比学习的时序对比一类异 常检测方法（COCA），具有优秀的性能，并通过两个真实世界的 时间序列数据集的广泛实验进行验证。

Jul, 2022

本文提出了一个两阶段的深度单类分类框架，第一阶段从单类数据中学习自监督表示，第二阶段在学习表示的基础上建立单类分类器， 并应用于视觉领域中的新颖性和异常检测任务中，实验表明其性能优于现有方法。

Nov, 2020

本文提出了一种适用于多模态数据的深度学习一类分类方法，通过联合训练两个卷积自编码器，使其在重构正样本输入数据的同时，在潜在空间中获得尽可能紧凑的数据表示。在推理过程中，可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明，与单模态方法相比，所提出的多模态方法在多模态昆虫图像分类数据集上获得了更好的结果。此外，本文还研究了不同输入图像尺寸的影响，并探讨了最近提出的特征多样性正则化对我们方法性能的影响。结果表明，这样的正则化手段能够提高性能。

Sep, 2023

本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

Feb, 2018

基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

Dec, 2023

通过给定的模型类，利用训练数据从学习未知对象的基础问题出发，我们引入了一个统一的框架，该框架允许将对象作为任意希尔伯特空间，具有一般类型的（随机）线性测量作为训练数据，以及一般类型的非线性模型类。我们为这个框架建立了一系列学习保证，并确保训练数据的数量与模型类的属性之间具有明确的关系，以确保接近最佳的泛化界限。通过这样做，我们还引入并发展了模型类关于采样操作的分布的变化的关键概念。为了展示该框架的多功能性，我们展示了它可以包容许多不同类型的感兴趣的已知问题，例如通过随机采样进行矩阵草图，使用各向同性向量的压缩感知，回归中的主动学习和使用生成模型的压缩感知。在所有情况下，我们展示了如何将已知结果变为我们的一般学习保证的直接推论。对于使用生成模型的压缩感知，我们还提出了一些近期结果的推广和改进。总之，我们的工作不仅引入了一种从各种数据类型中学习未知对象的统一方法，还确立了一系列统一的理论保证，巩固和改进了各种已知结果。

Nov, 2023