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

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

我们提出了情景适应性异常检测（SA2D）方法，利用少样本学习框架对预训练模型进行快速适应新概念。为了解决数据集的缺乏问题，我们引入了多情景异常检测（MSAD）数据集，包括从各种摄像机角度捕获的 14 个不同情景，背景中包含挑战性的变化。通过实验证明了 SA2D 的有效性，尤其是在 MSAD 数据集上进行训练。这突出了我们的方法在检测不同和不断发展的监控情景中的异常的挑战中的潜力。

Feb, 2024

提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

Jan, 2024

本文提出了一种混合模型用于警报系统，该模型将统计模型与白名单机制相结合，以解决大规模网络系统中可伸缩性、数据异构性、可泛化性和可维护性的挑战，从而减少假阳性警报。

Jun, 2023

该论文介绍了一种称为统计聚合异常检测（SAAD）的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合，通过在汽车领域的硬件在环（HIL）环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层，极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明，单独的统计方法达到了 72.1% 的准确性，而单独的深度学习模型达到了 71.5% 的准确性。相比之下，聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分，优于单独的模型。这些结果强调了 SAAD 的有效性，并展示了其在各个领域，包括汽车系统中的广泛应用潜力。

Jun, 2024

本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

Apr, 2022

本研究提出了一种工业控制系统（ICS）操作数据的异常检测方法，采用序列到序列的神经网络进行训练与预测，解读其时间序列特征。该方法仅需要正常数据集，即可了解 ICS 的正常状态并检测异常。使用 SWaT 数据集进行评估，并检测出了 36 次攻击中的 29 次和 53 个攻击点中的 25 个，对实验结果的误警与漏警进行了详细分析。

Nov, 2019

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

该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。

May, 2024