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

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

我们提出一种新颖、简单且广泛适用的半监督异常检测程序 SAnD（Simple Anomaly Detection），它由五个步骤组成：平滑滤波器、方差膨胀因子、马哈拉诺比斯距离、阈值选择算法和特征重要性技术，各自利用众所周知的统计工具。根据我们的了解，SAnD 是首个集成这些工具以识别异常并帮助解读其潜在原因的程序。我们展示了每个步骤如何解决从业者在检测工业环境中的异常时遇到的技术挑战，其中信号可能高度多重共线，分布未知，并且短期噪声与长期实际异常交织在一起。SAnD 的开发受到我们的工业合作伙伴的具体案例研究的启发，我们在此使用该案例研究来展示其有效性。我们还通过将其与来自异常检测文献的公共数据集上的一些半监督方法进行比较，评估了 SAnD 的性能。我们得出结论，SAnD 在异常检测和运行时间方面都是有效的，广泛适用，并且优于现有方法。

Apr, 2024

本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

Jul, 2022

本研究利用神经网络结合动态时间扭曲等技术，提出一种基于自我监督的异常传感器检测方法，成功解决了现有方法无法应对未标记、数量庞大的 IoT 数据中 “野传感器” 检测的难题，实现了在农业数据处理等领域中的实际应用。

May, 2023

通过监测物理系统的仿真数据，我们使用监督机器学习分类算法对时间序列进行分类，并讨论了时间序列数据预处理、统计分散度和降维技术。我们提出了一种直观的基准方法，并讨论了其效率，并通过不同性能指标的比较，展示了使用机器学习技术在决策中的优势。

Mar, 2024

本文提出了一种自我监督学习方法，使用真实的未标记数据探索频谱活动，使用此方法可以大幅减小特征向量的大小，并提高性能，同时提供了频谱数据的分类结果。

Sep, 2022

本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法，通过正交自编码器学习低维特征，以预测化工过程中难以测量的过程变量，实验证明，在流式数据下，该方法可以选择最具信息量的数据点，与传统离线环境相比获得更好的预测表现。

Dec, 2022

本文提出了一种使用自监督学习（SSL）进行合成孔径声纳（SAS）数据处理、分类和模式识别的方法 MoCo-SAS，实验结果表明 MoCo-SAS 在 F1 分数方面明显优于传统监督学习方法，展示了 SSL 在 SAS 数据处理中的潜力，并为增强水下目标检测和分类提供了有希望的途径。

Aug, 2023