本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

May, 2023

最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

Dec, 2023

本研究提出了一种新的异常检测方法 GRAD，通过将空间特征转换为坐标并映射到连续网格，成功地在 “连续” 特征空间中表示正常特征，并通过融合局部和全局正常特征来有效地处理不同类别的对象，实验证明 GRAD 在多类统一异常检测方面降低了 65.0% 的误差。

Feb, 2024

提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

May, 2023

本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

Jun, 2022

医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

Sep, 2023

本文提出一种基于双向 GAN 的异常检测方法 ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

Dec, 2018

介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。

Feb, 2019

该研究提出了一种解决 AD 领域师生方法存在的问题的新方法 —— 不对称师生网络（AST），通过使用归一化流密度评估作为教师和传统前馈网络作为学生，以检测工业缺陷，并取得了关于图像级异常检测的最新成果。

Oct, 2022

通过使用梯度检测对抗性和分布外样本，引入混淆标签来提高神经网络的有效表达，使模型不依赖真实标签来生成梯度。这种基于梯度的方法能够捕捉输入中的异常，击败先进的方法。

Jun, 2022