我们提出了一种基于正则化密度的 Sobolev 范数的非参数密度估计的新方法，该方法与核密度估计不同，使模型的偏差清晰且可解释，虽然没有与其关联的核的封闭解析形式，但我们展示了可以使用采样来近似它，所需确定密度的优化问题是非凸的，并且标准梯度法性能不佳，然而我们展示了适当的初始化和使用自然梯度可以得到良好的解，最后，虽然该方法提供未归一化的密度，无法使用对数似然进行交叉验证，但我们展示了可以使用基于费歇分歧的得分匹配方法来完成此任务，我们在最近的安全检测基准套件 ADBenchn 上对所得方法进行了评估，发现排名第二，超过 15 种算法。

Jul, 2023

本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。

Nov, 2022

通过重新参数化的视角深入研究分布密度的行为，揭示在现有应用中赋予异常点密度的经验值与应用期望相冲突，提出利用这些似然函数进行异常检测依赖强的暗含假设，明确表述这些假设才能实现可靠异常检测。

Dec, 2020

本文提出了一种基于扩散模型的置换不变密度估计器，特别是为了应对具有可变长度输入的物理数据，这种方法在感知不变性和可变长度输入方面具有优势，在异常探测领域具有良好的效果。

Jun, 2023

使用神经密度估计的新型无监督异常检测技术 ANODE，在区分信号区域和旁带处估计概率密度，并将旁带差值插值到信号区域，构建数据对背景的似然比，从而对局部异常的过密度进行广泛敏感。在 LHC 2020 奥林匹克研发数据集上进行实验证明，相对于其他方法，ANODE 对信号区域和旁带之间的系统差异具有更广泛的适用性，可以将 dijet 波峰探测的显著性提高多达 7 倍，在背景预测准确率为 10％时。虽然 LHC 被用作反复的示例，但此处开发的方法在物理和其他领域的异常检测中具有广泛的适用性。

Jan, 2020

基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

Dec, 2023

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

探测给定传感器网络中是否存在具有 “异常行为” 的传感器簇，涉及时间序列分析和泊松分布的聚类检测方法。

Jan, 2010

通过在测试时间中进行多次前向传递使用不同模型的现代深度集成技术，在不确定性估计方面取得了强大的性能，但代价是高存储空间和较慢的速度。为了解决这个问题，我们提出了一种名为 Density-Regression 的方法，它利用密度函数在不确定性估计中实现了快速推理，并且只需进行一次前向传递。我们证明它在特征空间上与距离相关，这是神经网络在分布转变下产生高质量不确定性估计的必要条件。经验上，我们对立方体玩具数据集、基准 UCI、时间序列天气预测和实际应用中的深度估计进行实验证明，Density-Regression 在分布转变下具有与现代深度回归器相当的不确定性估计性能，同时使用更小的模型尺寸和更快的推理速度。

Mar, 2024

我们提出了一种新颖的视频异常检测方法：将从视频中提取的特征向量视为固定分布的随机变量的实现，并用神经网络对该分布进行建模，以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器，该方法通过向训练数据注入噪声来便于模型其分布。为了消除超参数选择，我们对不同噪声水平下的噪声视频特征的分布进行建模，并引入一种倾向于使不同噪声水平的模型保持一致的正则化器。在测试时，我们使用高斯混合模型将多个噪声尺度下的异常指示组合起来。我们的视频异常检测器运行时延最小，因为推理仅需要提取特征并将其通过浅层神经网络和高斯混合模型进行前向传播。我们对五个常用视频异常检测基准进行的实验表明，在面向对象和面向帧的设置下，我们的方法表现卓越。

Mar, 2024