Oct, 2022
学习检测有趣的异常
Learning to Detect Interesting Anomalies
Alireza Vafaei Sadr, Bruce A. Bassett, Emmanuel Sekyi
TL;DRAHUNT 是一种结合深度学习和主动学习的异常检测算法，它可以自动和动态地改进数据特征以提高异常检测性能，并通过动态异常类别分类方法向完全个性化的异常类别分类方法迈进，使得算法能够学会忽略统计上显著但无趣的异常值。
Abstract
anomaly detection algorithms are typically applied to static, unchanging,
data features hand-crafted by the user. But how does a user systematically
craft good features for anomalies that have never been seen? Here we couple
→
发现论文，激发创造
基于集成的主动异常检测
本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程，通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移，实现了降低假正例率且不损失检测率的目的。
Sep, 2018
无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率
通过自适应主动学习采样策略，利用数据先验分布和模型不确定性，我们的方法在检测异常时的主动学习中胜过现有方法，并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。
Jul, 2023
深度目标检测主动学习
本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。
Sep, 2018
深度异常检测中的假设重新思考
本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
多假设预测的异常检测
本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。
Oct, 2018