本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架，该框架结合了无监督、半监督和监督学习算法，同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。

Dec, 2022

尽管现有分类器的泛化能力不佳，但我们提出了一种基于机器学习的方法来从开放源中收集适当的网络安全信息。我们将三种不同的小数据技术 (转移学习，数据增强和少样本学习) 相结合，训练了一个高质量的分类器，发现 F1 得分比标准训练方法提高了超过 21 个点，比少样本学习的现有方法提高了超过 18 个点。

Jul, 2022

本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了 sample-efficient 考虑，实现了对少量标注样本的训练，并在 9 个实际图像异常检测基准测试中表现显著好于同类方法。

Aug, 2021

利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

Jul, 2020

本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

Apr, 2020

本文提出了基于原型网络和对比学习的少样本异常检测模型 (FSL-PN)，以应对工业网络攻击对工业网络安全的威胁。实验结果表明，FSL-PN 模型在少样本检测场景下能够显著提高异常信号的 F1 值和降低误报率 (FAR)。

Feb, 2023

我们提出了一种少样本异常检测方法，通过整合对抗训练损失来获得更强大和广义的特征表示，实验证明该方法在利用对抗性损失时通常获得更好的性能。

Dec, 2023

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。

Feb, 2023

我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。

Mar, 2022

该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

Mar, 2024