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
REMIX是第一个解决交互式环境下异常检测问题的系统，它使用新颖的混合整数规划(MIP)公式，在规定时间内自动选择和执行多样化的异常检测器，包括数据处理算法和特征选择，为分析人员提供两种不同的结果消费方式，即透视图和集成异常检测器。
May, 2017
我们综合调查了图形领域中的ODD概括率，并详细审查了最近在这个领域取得的进展，然后根据其在图形机器学习流水线中的位置，从数据、模型和学习策略等不同概念上将现有方法分为三类，并对每个类别进行了详细讨论，最后分享了我们对未来研究方向的看法。
Feb, 2022
该研究提出利用BOND进行非监督异常节点检测的方法，对14个方法进行了性能评估，结果可以为未来研究提供借鉴。
Jun, 2022
对异常值和离群值对模型估计和数据处理的影响进行了全面的调查，包括对异常检测领域的综述和研究方法进行了研究，揭示了相关主题和方法的发展以及学者在这一领域的写作实践。
Dec, 2023
GODM是一种用于缓解监督图异常检测中类别不平衡问题的数据增强方法，通过潜在扩散模型生成类似真实异常节点的合成图数据，并通过迭代去噪学习真实有机数据的潜在空间分布。
本文针对复杂网络中识别异常实例的图异常检测问题，从深度学习方法学、基准评估方法及超几何神经网络等三个方面展开研究，通过研究发现了改进节点级图异常检测方法的一般策略。
Mar, 2024
综述了基于图数据的异常检测技术，包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点，最后探讨了基于图结构数据的异常检测领域的未来研究方向。
May, 2024
构建安全可靠的图机器学习系统，无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟，我们提出了一个统一的基准，将图级异常检测和图级离群检测统一到广义图级离群检测的概念下，并提供了一个包含35个数据集的综合评估框架，为16种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析，探索现有方法的有效性、泛化能力、鲁棒性和效率，并基于我们的见解提供了开源代码库，以促进可重复性研究，并概述了未来研究的潜在方向。
Jun, 2024
本研究解决了图形数据的分布外检测问题，提出了一种新的混合外部和内部图形异常暴露（HGOE）方法。这一方法通过利用外部领域的真实图形数据及合成内部异常来提高检测的鲁棒性。实验结果表明，该框架显著提升了现有图形分布外检测模型的性能。
Jul, 2024