使用 SupCon 训练从训练分布中识别外分布样本是机器学习模型安全部署中的重要问题。我们在这项工作中运用强大的 SupCon 学习表征，并提出了一种全面的方法来学习对 OOD 数据稳健的分类器。我们通过增加两个对比项来扩展 SupCon 损失，第一个项将辅助 OOD 表征与 ID 表征分开，而不对辅助数据的相似性产生任何约束。第二个项将 OOD 特征远离现有类原型，并将 ID 表征推近其对应的类原型。当辅助 OOD 数据不可用时，我们提出了特征混合技术来高效生成伪 OOD 特征。我们的解决方案简单高效，作为闭集监督对比表征学习的自然扩展。我们在常见基准测试中与不同的 OOD 检测方法进行了比较，并展示了最先进的结果。

Oct, 2023

本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

Jul, 2021

本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

Jun, 2023

本文提出了一种基于自我监督学习方法的特定任务变体对比学习称为 “遮蔽对比学习”，其更适用于异常检测，并提出了一种自我集成推断方法，通过利用辅助自我监督任务学习的能力进一步提高模型性能，在各种基准数据集上的表现显著超过以往的最先进方法。

May, 2021

提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。

Apr, 2019

我们提出了一种名为 Outlier Aware Metric Learning (OAML) 的框架，通过 k-NN 算法和稳定扩散模型在特征级别生成用于训练的异常样本，以提高语义空间中的特征差异，并结合基于互信息的对比学习方法，有效地利用 OOD 数据进行学习。此外，我们将知识蒸馏引入学习框架，以防止内部分类准确性的降低。通过对比学习和知识蒸馏算法的结合，我们的方法在各种数据集上显著优于以前的 OE 方法。

Jun, 2024

这篇研究使用无监督对比特征学习的方法来对网络图像进行检索，然后结合奇异谱嵌入和离群点敏感聚类来检测噪声和局外点，并训练噪声鲁棒的神经网络来纠正 ID 噪声和利用 OOD 样本进行引导对比学习，提高底层特征。

Jul, 2022

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

本文提出一种自动离群点检测框架 AutoOD，采用基于好奇心的搜索策略和自我模仿学习的经验重播机制，在预定义的搜索空间内寻找最优神经网络模型，实验结果表明，与现有手工模型和传统搜索方法相比，AutoOD 找到的深度学习模型表现最佳。

Jun, 2020

我们提出了一种自适应类内变异对比学习算法 AdaInCV，该算法通过考虑聚类后的类内变化量定量评估模型对每个类别的学习能力，从而在模型的训练过程中选择适当的样本。具体而言，我们提出了两种新策略：自适应样本挖掘（AdaSaM）和自适应离群值过滤（AdaOF）。第一个策略逐渐创建更可靠的聚类以动态改进记忆，而第二个策略可以识别和过滤有价值的离群值作为负样本。

Apr, 2024