异常检测需要更好的表示
本文探讨了使用单个预训练网络作为通用特征提取器，在异常检测任务中取代训练不同表示器的可能性，并在实验中证明了使用领域内数据学习表示可能不是异常检测的必要步骤。
May, 2021
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
通过多个实验我们发现自我监督学习在表格数据的异常检测方面并没有改善，这是因为神经网络引入了无关特征，降低了异常检测器的效果，但我们演示了利用神经网络表示的子空间可以恢复性能。
Sep, 2023
这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法，将异常检测问题视为监督回归问题，并使用两个可分离连续值分布来标记正常和异常的数据，通过图像增强技术创造出一个独特的异常样本集，并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。
Jul, 2022
本论文研究了利用后向传播梯度作为表示以检测异常的方法。实验证明，这种基于梯度的方法在基准图像识别数据集上达到了最先进的异常检测性能，并且与依赖于对抗网络或自回归模型的其他最先进的方法相比，这种方法具有更高的计算效率和更简单的结构。
Jul, 2020
异常检测的主导范式在无限扩展上将面临基本限制，对于许多工业任务，当存在强任务先验时，可以克服这些限制；但当不存在这样的先验时，异常检测变得更加困难，因此我们提出了两个异常检测的重大挑战：i）通过异常检测来进行科学发现；ii）在 ImageNet 数据集中检测最异常的图像，我们相信需要开发新的异常检测工具和思想来克服这些挑战。
Jul, 2023
通过在训练时将正常数据设置为不同的上下文，而又保留其正常特性，我们提出了 Con2 方法，它使我们能够从不同的角度观察数据，从而使未见过的正常数据符合学到的上下文表示，而异常数据则无法做到，从而无需在训练过程中了解异常情况就能检测到异常数据。我们的实验结果表明，我们的方法在各种基准测试中取得了最先进的性能，并在更现实的医疗保健领域展现出卓越的性能，这里潜在异常情况的了解常常是有限的。
May, 2024
本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法，结合多个代理任务进行学习，包括三个自监督任务和一个基于知识蒸馏的任务，并在三个基准测试中优于现有技术。
Nov, 2020