本文提出一种新的深度异常检测方法，利用预训练的表示在外部数据集上进行对比学习，并基于分析提出改进的对比学习目标函数 Mean-Shifted Contrastive Loss，该方法可以显著提高异常检测性能。实验结果表明，与现有方法相比，在 CIFAR-10 数据集上实现了 98.6％的 ROC-AUC 表现，达到了最新的技术水平。

Jun, 2021

本文提出了一种利用监督对比学习的新型正则化方法，通过将余弦相似度扩展到更一般的相似度度量，建议在比较样本与正 / 负例子时使用不同的参数，并在此基础上提出了一种具有优势的方法，用于处理数据分布变化的问题，这种方法尤其适合使用高度代表性的模型，如神经网络。

Apr, 2023

在这篇研究中，我们提出了一种名为 Stylist 的新方法，通过去除环境偏差特征来改进新颖性检测算法，从而检测与任务相关的语义变化并对抗风格分布的变化。我们证明了这种特征选择机制在包含风格和内容变化的多个数据集上改进了新颖性检测算法。

Oct, 2023

对比度表示学习已经成为异常检测的一种杰出方法，本文通过探索对比特征的 l2 - 范数及其在超出分布检测中的应用，提出了一种简单的基于对比学习的方法，通过在对比层空间对正常样本进行抵制，来将超出分布的数据纳入模型中。我们的方法可以灵活地作为异常暴露（OE）方法应用，其中超出分布的数据是随机图像的大集合，或者作为完全自监督学习方法应用，其中超出分布的数据是通过应用分布变换自动生成的。我们的方法能够灵活地处理那些对比度学习基于异常检测方法普遍表现不佳的数据集，例如航空影像或显微镜影像。此外，通过对比度学习学习到的高质量特征在 OE 场景中始终提高性能，即使可用的超出分布数据集不够多样化。通过大量实验证明了我们所提方法在各种场景下的优越性，包括单一模态和多模态设置，以及各种图像数据集。

Dec, 2023

本研究提出了一种名为 NCL 的新框架，旨在学习具有判别性的表示，从而创建一个用于聚类性能的新类别发现（NCD）任务，其中，利用特征提取器生成的表示来检索和聚合伪正对，虽然大多数实例很容易通过网络进行区分，但我们通过在特征空间中混合标记和未标记的样本来生成难以区分的样本。实验证明，这两个组成部分显著提高了聚类性能，并使我们的模型在 CIFAR-100 和 ImageNet 上的聚类准确性提高 13％和 8％，远远超过现有方法。

Jun, 2021

针对时间数据中的异常检测问题，提出了一种新的方法，借鉴了 DeepSVDD 的损失函数，结合了 Neutral AD 的确定性对比损失，提高了在实际工业数据集中的性能表现。

Apr, 2023

在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

Sep, 2023

本研究提出了一种基于迁移学习的深度神经网络模型，通过采用新颖的成员损失函数和全局负过滤器增强了模型性能，从而实现有效的多类新颖物体检测。

Mar, 2019

提供了可靠与高效的算法来测试本地化的差异距离，进一步扩展了 TDS 学习模型并改进了之前相关的工作，同时提供了针对常数深度电路的指数级改进，与低维凸集的首个正面结果。

Jun, 2024

该论文介绍了一种基于深度卷积神经网络和对比学习的大规模 MIMO CSI 相似度学习方法，并通过指纹定位实验验证证明，所提出的相似度度量方法显著提高了定位的准确性。

Apr, 2022