本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。

Jun, 2024

本文提出一种通用的 UAD Booster 框架，利用神经网络作为模型辅助器并考虑模型间差异自动校正的方法，提高异构 UAD 模型的适应性和检测效果。

Jun, 2023

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

本研究评估了数据集构成对多个保护变量上的无监督异常检测模型性能造成的影响，并引入了新的子组 - AUROC 度量方法，结果显示数据集构成对 UAD 模型的不公平性性能有显著影响。

Sep, 2023

提出一种名为 SUOD 的加速框架，该框架由三个模块组成：随机投影模块、平衡并行调度模块和伪监督逼近模块，旨在缩短训练和预测无监督检测模型的时间。实验证明，SUOD 在处理高维大型数据集时表现出良好的效果。

Feb, 2020

我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

Dec, 2023

本研究利用生成世界模型和无监督图像分割，重新审视无监督异常检测，并提出 UMAD 方法，其在无监督异常检测方面表现优于现有技术。

Jun, 2024

该论文介绍了一种称为统计聚合异常检测（SAAD）的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合，通过在汽车领域的硬件在环（HIL）环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层，极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明，单独的统计方法达到了 72.1% 的准确性，而单独的深度学习模型达到了 71.5% 的准确性。相比之下，聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分，优于单独的模型。这些结果强调了 SAAD 的有效性，并展示了其在各个领域，包括汽车系统中的广泛应用潜力。

Jun, 2024

无监督的持续异常检测方法 UCAD 通过对比学习的提示来提供无监督异常检测的持续学习能力，并使用基于结构的对比学习 (SCL) 和 Segment Anything Model (SAM) 来改进提示学习和异常分割结果。

Jan, 2024

开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务，本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。

Feb, 2024