DROCC：深度鲁棒单类别分类

ICMLFeb, 2020

DROCC: Deep Robust One-Class Classification

Sachin Goyal, Aditi Raghunathan, Moksh Jain, Harsha Vardhan Simhadri, Prateek Jain

TL;DR本研究提出了 Deep Robust One-Class Classification（DROCC），用于在各种标准域中应用于无需任何辅助信息的一类问题，并针对表示崩溃具有鲁棒性。实证评估证明，DROCC 在两个不同的一类问题设置和一系列不同领域的实际数据集上非常有效：表格数据，图像（CIFAR 和 ImageNet），音频和时间序列，在异常检测方面可提高高达 20％的准确性。

Abstract

Classical approaches for one-class problems such as one-class SVM and isolation forest require careful feature engineering when applied to structured domains like images. State-of-the-art methods aim to leverage deep le

deep robust one-class classification one-class problems structured domains deep learning anomaly detection

发现论文，激发创造

对比学习实现的深度鲁棒聚类

该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC)，它从两方面同时考虑了语义聚类和特征表现，从而增加了跨类别差异并同时减少了类内差异，且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确性。

Aug, 2020

学习深层特征进行单类分类

该研究提出了一种基于深度学习的解决方案，用于解决单类分类中的特征学习问题，通过两个损失函数和并行 CNN 架构生成描述性特征，并在模板匹配框架下进行了广泛的实验。结果表明，该方法在异常检测、新颖性检测和移动设备上的活动认证数据集上都有显著进展。

Jan, 2018

深度单类分类的表示学习和评估

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

CrOC: 跨视角在线聚类用于稠密视觉表征学习

该论文提出了一种基于交叉一致性目标和在线聚类机制的密集视觉表示学习方法，能够在不需要手工先验知识的情况下，自动发现和分割视觉场景数据中的语义信息，并在多个数据集上展示出优秀的线性和非监督分割转移能力，例如视频对象分割。

Mar, 2023

专注于共同利益：团体分布稳健性的追求

本论文探讨的是使用组注释的数据进行分类模型训练的问题，提出了一个新的算法，旨在通过鼓励学习跨各种组共享的特征来提高少数族裔的性能。通过在标准基准测试中进行实证研究，证明了本文提出的算法在不同组别和少数族裔上的表现要好于 ERM 和 Group-DRO 等强基线。同时，论文也从理论上证明了所提出算法是一种下降方法，并且可以找到平稳点。

Oct, 2021

可解释的深度单类分类

本文提出一种可解释的深度单类分类方法 FCDD，它基于卷积神经网络，通过非线性映射，将异常数据映射到远离正常数据的地方，从而检测异常。FCDD 在常见异常检测基准测试中取得了竞争性能，还能够提供合理的异常检测解释。此外，使用 FCDD 的解释，作者还展示了深度单类分类模型对于图片水印这类假象特征的脆弱性。

Jul, 2020

RODD: 自监督方法用于强健的越界检测

该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。

Apr, 2022

一类分类：综述

本文对一类分类的经典统计方法和最新深度学习方法进行了综述，探讨了现有方法的优缺点并指出了未来研究的方向，并讨论了一般所使用的数据集和评估指标。

Jan, 2021

一类分类的关键评审：最新进展及其背后的现实

对一类分类（OCC）进行全面回顾，检查其实现中所采用的技术和方法，探讨了在不同数据类型（如特征数据、图像、视频、时间序列等）中用于 OCC 的各种方法。通过系统回顾，综合总结了自 OCC 起始到目前的主要策略，重点关注了有前景的应用。此外，该文章批评了主导一类实验的最新图像异常检测（AD）算法，如离群值暴露（二分类）和预训练模型（多分类），与从单一类别中学习的基本概念相冲突。我们的调查表明，用于一类 CIFAR10 基准测试的前九个算法并非 OCC。我们认为二分类 / 多分类算法不应该与 OCC 进行比较。

Apr, 2024

DORO：分布式和异常值鲁棒优化

提出了一种名为 DORO 的分布与离群点鲁棒优化框架，其中核心在于改进的风险函数，可以解决分布变化和离群点的问题，从而提高了机器学习的性能和稳定性。该方法有助于提升现代大型数据集的实验结果。

Jun, 2021