弱监督异常检测：一项综述

Feb, 2023

Weakly Supervised Anomaly Detection: A Survey

Minqi Jiang, Chaochuan Hou, Ao Zheng, Xiyang Hu, Songqiao Han...

TL;DR本研究是第一部弱监督异常检测方法的全面调查，将其分为三个弱监督设置，以及四种数据模态，并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验，并发布了源代码，以及一些弱监督异常检测方法和数据的收集。

Abstract

anomaly detection (AD) is a crucial task in machine learning with various applications, such as detecting emerging diseases, identifying financial frauds, and detecting fake news. However, obtaining complete, acc

anomaly detection machine learning weakly supervised learning data modalities survey

发现论文，激发创造

基于知识数据对齐的弱监督异常检测

研究提出了一种新颖的知识 - 数据对齐框架（KDAlign），通过整合人工专家总结的规则知识来增强有限标记异常样本的模型性能。采用最优传输技术实现知识和数据的对齐，并将最优传输距离作为额外损失项引入弱监督异常检测方法的目标函数中，实验证明该框架在各种异常类型上均取得了优异性能，较同类方法明显优越。

Feb, 2024

面向监督的异常检测

本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

Jan, 2014

多模态数据分布的弱监督异常检测

基于弱监督的变分混合模型的异常检测器（WVAD）在多模态数据集上表现出卓越性能。通过捕捉不同聚类中数据的各种特征，并通过异常得分评估器对这些特征进行评估，WVAD 能够识别异常水平。在三个真实世界数据集上的实验结果证明了 WVAD 的优越性。

Jun, 2024

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

SAD：动态图形半监督异常检测

本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

May, 2023

小样本弱监督网络安全异常检测

本文提出了一个增强后的少样本弱监督深度学习异常检测框架，结合了数据增强、表示学习和序回归方法，并在三个基准数据集上进行了评估和展示其性能。

Apr, 2023

朝着节约的无监督医学图像微细异常检测

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

图像 / 视频深度异常检测：综述

本篇论文探讨了基于深度神经网络的图像 / 视频异常检测方法，讨论了当前的挑战和未来的研究方向。

Mar, 2021

一种用于含有异常数据的完全无监督异常检测的通用机器学习框架

使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

Aug, 2023

开放式多变量时间序列异常检测

本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

Oct, 2023