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

机器学习系统中的越界数据和异常输入是当前的漏洞，往往导致系统做出错误的预测。本文评估了 Benford's 法则作为一种用于量化真实输入和受损输入之间差异的方法。我们相信在许多情况下，它可以用作检测异常数据点和标识越界数据的过滤器。我们希望对这些应用进行讨论，并进一步探索该技术的其他领域。

Mar, 2024

本文综述了目前在机器学习中所涉及的异常检测、开放集识别、新颖性检测和习一类学习等不同领域中，如何识别和检测来自于训练集分布之外的样本，从而提出了跨领域的研究方向，这对提高模型的鲁棒性具有重要意义。

Oct, 2021

本文提出了基于概率指数加权移动平均（PEWMA）的实时多元异常检测算法，能够在数据流中对 (突发瞬态、突发分布和渐变分布) 的数据漂移具有鲁棒性，且无需标记样本，能够有效检测概念漂移。

Sep, 2022

该研究提出了一种强鲁棒性的 changepoint detection 方法，应用了 biweight loss 和动态规划算法，可用于在线数据分析和异常点去除，适用于诸如 well-log data、copy number variation 和无线设备篡改检测等领域。

Sep, 2016

该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。

Apr, 2024

本文提出了一种基于模型的异常检测方法，Out-of-Bag 异常检测，它可以处理由数字和分类特征组成的多维数据集，将无监督学习问题分解成集合模型的训练。通过对基准数据集的全面实验展示了该方法的最新性能，并通过房屋估值的案例研究展示了其可以作为数据预处理步骤，提高 ML 系统的准确性和可靠性。

Sep, 2020

该研究提出使用可解释 AI 领域的 PARTICUL 算法以构建更易解释、更具鲁棒性的视觉分类器的异常检测器，无需重新训练分类器，适用于缺乏明确定义的领域，并通过四个数据集和两个 OoD 定义的广泛基准测试证明了该方法的检测能力与现有方法相当，同时强调了分类器结构对鲁棒性的影响。

Jan, 2023

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

本文提出一种基于矩阵分解的文本异常检测方法 TONMF，通过低秩逼近和块协调下降优化技术，实现对非负矩阵数据中异常点与自然变化的有效区分。

Jan, 2017