针对图像异常检测问题，提出了使用多分类模型进行训练，鉴别几十种几何变换特征以有效识别异常图像的新算法，并进行了大量实验证明了其超越现有方法的优势。
May, 2018
该研究提出了一种新的基于自监督深度学习的检测时间序列异常值的方法，该方法通过学习局部变换来提高时间序列异常检测的效果。实验结果表明该方法可应用于多个领域。
Feb, 2022
本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。
Nov, 2020
本文综述了利用图像转换进行对抗检测的近期进展，并提出了一种名为 AdvJudge 的深度学习方法，通过结合 9 种图像转换的分数来判断对抗性示例，并利用可解释的 AI 工具显示了每种图像转换对对抗检测的贡献。
Jan, 2022
基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。
Oct, 2022
本研究提出了一种称为 Transformaly 的方法，利用预先训练的网络（ViT）提取特征向量，并使用教师 - 学生训练方法将训练数据中的正常样本提供给学生网络进行训练，从而在异常检测方面实现了超越最新技术的结果。
Dec, 2021
我们研究和设计了一个有效的非线性转换框架，并进行了广泛实验以证明深度神经网络可以有效地学习以往被认为是无法学习的数据 / 示例，从而提高了打破无法学习数据的能力，显示出比线性可分技术更好的性能，进一步指出现有的数据保护方法在防止未经授权的机器学习模型使用数据方面是不充分的，迫切需要开发更强大的保护机制。
Jun, 2024
利用自监督学习针对文本语料库制定预文本任务的方法，根据最新研究成果，大幅提高了半监督和无监督异常检测的效果，并证明了自监督异常检测在自然语言处理领域中的潜力。
Dec, 2023
本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。
通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。
Feb, 2021