本文提出了一种名为BORE的方法，将非监督得分函数用于监督学习框架中的特征，以解决在大数据集中检测少量异常值的问题，并在12个真实世界数据集上展示了其优越性。

Jul, 2015

本文介绍了一种新的集成异常检测方法CARE，该方法采用顺序集成方法在每个迭代中对中间结果进行二阶段聚合，从而提高了多维点数据异常检测的准确性。该方法结合了并行和顺序模块来降低偏差和方差。 实验表明，CARE 相比于基线模型和其他异常检测集成模型表现更好。

Sep, 2016

RAMODO是一个基于排名模型的框架，旨在通过 REPEN 方法来解决编码表示和异常检测之间的不一致性问题，充分利用少量的标注数据来提高表征学习的性能和稳定性。

Jun, 2018

提出了一种基于Boosting思想的Autoencoder Ensemble方法（BAE），它是一种无监督集成方法，利用加权采样来训练自编码器组件，并注入集成的多样性，它在各种条件下均优于现有技术水平的方法。

Oct, 2019

提出一种名为SUOD的加速框架，该框架由三个模块组成：随机投影模块、平衡并行调度模块和伪监督逼近模块，旨在缩短训练和预测无监督检测模型的时间。实验证明，SUOD在处理高维大型数据集时表现出良好的效果。

Feb, 2020

提出了一种仅基于未标记数据进行自监督表征学习的离群检测器(SSD)，其使用Mahalanobis距离在特征空间中进行检测，并通过few-shot OOD检测和有监督训练等两个扩展实现了进一步的改进及最先进性能。

Mar, 2021

研究了利用特征空间中异常值与正常值的距离进行异常检测，提出了一种名为MCOD的框架，结合记忆模块和对比学习模块。实验证明，该方法在四个基准数据集上表现良好，优于其他九种最先进的方法。

Jul, 2021

本文通过大规模分析深度异常检测方法的超参数敏感性，设计了一个鲁棒性可扩展深度超集成模型 ROBOD 并进行了广泛的实验验证，表明 ROBOD 在选择模型和调整超参数的问题上取得了良好的表现，同时训练成本较低。

Jun, 2022

使用无标签数据来规范机器学习模型已经显示出改善检测超出分布数据的安全性和可靠性的潜力。一个新的学习框架SAL（分割与学习）通过从无标签数据中分离候选离群值然后使用这些候选离群值和标记的正态数据训练离群值分类器，理论上证明了SAL能以较小的错误率分离候选离群值，这为学习到的离群值分类器提供了泛化保证。实证结果表明SAL在常见基准测试上取得了最先进的性能。

Feb, 2024

研究旨在研究异常值对训练阶段的影响，并提出了一种名为Loss Entropy的零标签熵度量来推断训练的最佳停止点，然后基于此开发了一种自动化的早停算法EntropyStop，该算法通过在最大模型检测能力时停止训练来提升AutoEncoder（AE）的性能。

May, 2024