利用神经网络分类器的倒数第二层作为潜在空间来检测异常，引入一种名为多类孤立森林的新方法，在给定分类器生成的潜在空间表示下，为光曲线导出异常得分，该方法明显优于标准的孤立森林，并在实时异常检测中有效地重用了分类器。

Mar, 2024

本文研究了多波段数据分类问题，使用了学习向量量化、单层感知器和支持向量机三种机器学习算法，并使用了特征选择技术进行特征重要性评价。结果表明，在特征较少时，学习向量量化和单层感知器具有更好的性能，而在考虑更多特征时，支持向量机具有更好性能。该方法可以用于预选 AGN 候选对象。

Mar, 2004

本文介绍了一种通用域适应方法 DeepAstroUDA，用于将不同类型的数据集进行半监督域对齐，在不同天文调查之间架起桥梁，对未标记的数据进行异常检测和聚类。

Nov, 2022

该研究提出了一种新的半监督异常检测方法 DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验结果表明，该方法优于当前常用的最先进的异常检测算法，而且在不同的异常类别之间表现出强大的鲁棒性。

Jun, 2021

本篇研究提出了一种基于深度图流支持向量数据描述的方法，针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰，采用变分图自编码器模型并建立加权属性图以及超球面，其在各项实验中表现优异，将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。

Feb, 2023

通过扩展支持向量数据描述（SVDD）的深度学习变体，我们使用自监督学习构建基于补丁的方法来实现图像异常检测和分割，并在 AUROC 上展示了比以往最先进方法提高了 9.8％和 7.0％的检测和分割性能。

Jun, 2020

本文使用机器学习算法对开放超新星目录的光度数据进行自动异常检测，并通过管道流程识别 33％的异常天体，其中包括超亮超新星，非经典 Ia 型超新星，不寻常的 II 型超新星，一个活动星系核和一个二进制微引力透镜事件等等。

May, 2019

本文提出一种可解释的深度单类分类方法 FCDD，它基于卷积神经网络，通过非线性映射，将异常数据映射到远离正常数据的地方，从而检测异常。FCDD 在常见异常检测基准测试中取得了竞争性能，还能够提供合理的异常检测解释。此外，使用 FCDD 的解释，作者还展示了深度单类分类模型对于图片水印这类假象特征的脆弱性。

Jul, 2020

本文介绍了一种名为 DeepAstroUDA 的通用领域自适应方法，可用于具有不同数据分布和类别重叠的数据集，以及存在未知类的情况。我们将其应用于三个不同复杂度的星系形态分类任务的示例中，成功使用领域自适应方法实现了极度不一致的观测数据的分类，提高了模型性能，使模型能够在多个数据集上实现一致的表现。同时，我们的方法也用作了一种异常检测算法，并可以成功地聚类未知类样本。

Feb, 2023

本研究提出了一种基于多类数据描述的深度学习模型 Deep-MCDD，结合高斯判别分析的概念，利用可分离的高斯分布来建模类别条件分布，通过计算测试样本与每个条件分布之间的距离来定义置信度得分，从而有效地检测和区分内部分布和外部分布样本。

Apr, 2021