本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

Nov, 2021

本文介绍了将数据模型应用于贝叶斯推断的兰日文采样算法的一种技术，该算法需要一个预先训练好的正则化流作为先验，并分别分析了贝叶斯解决方案的合理性和 NF-ULA 算法的非渐近收敛性。实验结果表明，该方法适用于图像去模糊、补缺失和 X 线断层扫描重建等各种成像问题。

Apr, 2023

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 2023

我们提出了一种利用图归一化流驱动的非对称网络进行无监督图级异常检测的方法（FANFOLD）。在训练阶段，FANFOLD 将正常图的原始分布转换为标准正态分布；在推理阶段，FANFOLD 使用源 - 目标损失计算异常分数来区分正常图和异常图，并通过在源网络上应用图归一化流实现了非对称网络。我们在不同领域的 15 个数据集上对 FANFOLD 进行了大量实验证明其优越性。

Jun, 2024

该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

Mar, 2024

Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

Jun, 2019

该论文提出了一种用于图像分类的深度神经网络方法，通过测试时训练和无监督学习实现领域自适应，并在实验中证明了该方法相对于之前方法的优势。

Oct, 2022

本研究提出一种结合贝叶斯网络与正则化流算法的 GANF 方法，用于多时间序列数据的异常检测和密度估计。实验证明该方法在时间序列密度估计、异常检测和检测数据时序漂移等方面具有较高的有效性。

Feb, 2022

本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

Jul, 2021

利用正常流量，我们提出了一个基于三阶段异常网络流量检测的框架，该框架可以生成伪异常样本，无需先验知识即可检测异常数据，通过深度表示学习、标准化和噪声添加等步骤实现。该方法在公共基准数据集上取得了最先进的结果。

Mar, 2024