本文提出了一种名为 COPOD 的新颖异常检测算法，它受到 copulas 建模多变量数据分布的启发，这使得它既不需要参数，可解释性又高，且计算效率高，通过对 30 个基准数据集的广泛实验表明，它在大多数情况下表现出色且是其中速度最快的算法，同时，我们还发布了易于使用的 Python 实现来实现结果的再现。

Sep, 2020

本论文研究了如何在物理控制系统中高效检测数据分布的异常点，提出了利用归纳式一致性预测和异常检测方法进行检测的方案，并通过仿真实验在自动驾驶和紧急制动系统中得到了良好的实验结果。

Jan, 2020

本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

Jan, 2023

通过结合不同的出域检测 (OOD) 措施为一个组合出域检测 (COOD) 措施，本研究针对物种识别任务提出了一个能在大规模数据库中、大量的细粒度层级类别、严重的类别不均衡和不同图像质量下应用的框架。在大规模生物多样性数据集上对 COOD 进行了广泛评估，结果表明，在大多数实验中，COOD 在 TPR@1% FPR 方面的表现远优于单独的 OOD 措施，包括最先进的措施，例如，对于 iNaturalist 2018 数据集，COOD 将 ImageNet 图像（OOD）的检测率从 54.3% 提高到 85.4%。同时，研究还表明，不同的 OOD 措施对于各种任务都是必不可少的，因此需要多种 OOD 措施和组合以实现泛化。此外，作者还指出，明确考虑对于原始（物种）识别任务而言分类错误的 ID 图像对于构建高性能的 OOD 检测方法至关重要，并具有实际应用性。这个框架也可以轻松地扩展或适应到其他任务和媒体形式。

Mar, 2024

本文提出了一种简单且有效的异常检测算法 ECOD，它是一种无参估计方法，通过计算数据的经验累积分布函数估计数据的尾部概率，进而计算每个数据点的异常得分。通过在 30 个基准数据集上的实验验证，我们发现 ECOD 在准确性、效率和可扩展性等方面均优于其他 11 种现有的异常检测方法。同时，我们还提供了易于使用、可扩展的 Python 实现，以保证算法的可访问性和可重复性。

Jan, 2022

本文介绍了一种新的 ICF 网络数据集 ICS-Flow，旨在为机器学习算法提供更加真实，有效的数据，作者通过实现决策树、随机森林和神经网络等多个模型来检测 ICSs 的安全隐患与攻击，并证明了该数据集可用于训练入侵检测的机器学习模型。

May, 2023

本文提供了两种无监督机器学习方法，用于 PLC 基础 ICS 中的异常检测，分别是加权投票集成方法和使用孤立森林元检测器的堆叠集成方法。研究结果表明，使用孤立森林元检测器的堆叠集成方法在所有性能指标上优于以往的方法，并可以稳健地检测任意 ICS 数据集中的异常。

Feb, 2023

提出了一种名为 KDDT 的新方法用于列车控制和管理系统 (TCMS) 的异常检测，该方法利用语言模型 (LM) 和长短期记忆 (LSTM) 网络来提取背景和时间特征，在实证研究中，KDDT 表现出了卓越的性能。

Sep, 2023

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

提出了一个机器学习和统计过程控制相结合的框架，用于监测临床设置中影响患者安全的数据漂移问题，并在放射学图像领域进行了实证研究，证明了该框架在不同任务中的有效性。

Feb, 2024