本文介绍了一种 AI 辅助人力资源发展和人员评估的方法。利用无监督异常检测算法从视频中提取非语言行为信息，为人员评估提供支持，并保持人工评估师对系统的信任度。

Apr, 2022

文章提供了一个基于可解释性和解释性方法的误差检测通用方法，并使用集成梯度方法来减少 Attribution Error。

Jul, 2022

本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

Jan, 2014

介绍了一种基于深度学习的主动学习方法，可以有效地从正常数据中分离离群值，并讨论了它们在发现聚类和低密度异常方面的性能

May, 2018

在不断数字化的过程中，组织必须应对检测异常情况的挑战，以揭示日益增长的数据中的可疑活动。为了追求这个目标，定期进行审计，内部审计员和采购专家不断寻找自动化这些过程的新方法。本研究提出了一种方法来优先处理从真实数据中检测到的两个大型采购数据集的案例调查，旨在增加公司控制工作的效力和提高执行此类任务的绩效。在使用无监督的机器学习技术检测异常之前，进行全面的探索性数据分析。通过 z-Score 指数和 DBSCAN 算法，应用单变量方法进行处理，而通过 k-Means 和 Isolation Forest 算法以及 Silhouette 指数，实施多变量分析，从而每种方法都提出了待审查的交易候选人。还提供了候选人的集成排序以及 LIME、Shapley 和 SHAP 等解释方法的建议，以帮助公司专家的理解。

May, 2024

本文提出 ALARM 框架，支持从检测到操作的全面异常挖掘，包括无监督的新兴异常检测、异常解释和交互式 GUI，以帮助人类完成闭环过程，通过设计新的检测规则来实现探索、理解和最终采取行动并演示了该方法的有效性。

Apr, 2023

DeepAID 是一个用于解释无监督深度学习模型在安全领域异常检测系统中的通用框架，提供了一种新颖的解释方法，可以满足安全领域的特定要求，并提供了模型扩展来解决特定的问题。实验证明 DeepAID 可以为无监督深度学习模型提供高质量解释，同时有助于降低误报率。

Sep, 2021

本研究提出了一个新颖的混合框架，通过整合无监督策略的创新算法，利用自定义损失函数显著增强了日志异常检测的有效性。实验结果极具潜力，对伪正例的显著减少以及处理原始未经处理的日志的能力等方面具有显著优势，为 AIOps 平台内日志异常检测的进展作出了重要贡献，满足了现代复杂系统中有效和高效日志分析的关键需求。

Nov, 2023

通过与放射科医生和其他医生进行的研究，我们发现非放射科医生希望四种异常预警，而放射科医生和非放射科医生都希望高置信度预警可以帮助 APPROPRIATE TRUST。然而，我们的随机对照试验显示，这些警报并不会提高用户的准确性或体验。

Apr, 2022

该论文提出了一种利用机器学习和数据挖掘技术自动学习不变规则的新框架，可以提供明确的异常检测结果解释并在实际应用决策中发挥重要作用。实验评估表明，该方法在多个应用领域的公共基准数据集上的性能优于先前的异常检测模型。

Nov, 2022