本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

Jan, 2024

本研究提出了一种面向 SSAD 的领域自适应方法，其中没有针对目标领域的异常数据。该方法利用变分自编码器和领域对抗网络生成无域变化的潜在变量，结合加权损失函数来近似理想损失函数，旨在解决 SSAD 在适应领域迁移方面的问题。实验结果表明该方法可以成功适应目标领域中缺少异常数据的情况。

Apr, 2023

该研究提出了一种新的半监督异常检测方法 DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验结果表明，该方法优于当前常用的最先进的异常检测算法，而且在不同的异常类别之间表现出强大的鲁棒性。

Jun, 2021

我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

May, 2019

利用统计检验方法提出了 Variational Autoencoder（VAE）在异常检测中的可靠性评估方法，该方法能够量化通过 VAE 检测到的异常区域的统计可靠性，并且可以控制误检的概率。

Feb, 2024

本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。

Jun, 2019

文章提出一种基于 VAE 的新颖性检测方法，使用该方法可以检测出多发性硬化症的扩散 MRI 扫描中的异常区域，并且在 MNIST 手写数字数据集上取得了优于现有方法的效果。

Jun, 2018

使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

May, 2018

该研究提出了一种使用深度生成模型，Adversarial autoencoder (AAE) 和 variational autoencoder (VAE)，来检测旨在检测不规则分布的群组异常。实验结果表明，该方法在检测实际数据集中的群体异常方面有高的准确性和鲁棒性。

Apr, 2018