本文对一类分类的经典统计方法和最新深度学习方法进行了综述，探讨了现有方法的优缺点并指出了未来研究的方向，并讨论了一般所使用的数据集和评估指标。

Jan, 2021

本文提出了一种一类神经网络（OC-NN）模型，该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标，从而可以检测复杂数据集中的异常值，实验证明该方法表现良好。

Feb, 2018

对一类分类（OCC）进行全面回顾，检查其实现中所采用的技术和方法，探讨了在不同数据类型（如特征数据、图像、视频、时间序列等）中用于 OCC 的各种方法。通过系统回顾，综合总结了自 OCC 起始到目前的主要策略，重点关注了有前景的应用。此外，该文章批评了主导一类实验的最新图像异常检测（AD）算法，如离群值暴露（二分类）和预训练模型（多分类），与从单一类别中学习的基本概念相冲突。我们的调查表明，用于一类 CIFAR10 基准测试的前九个算法并非 OCC。我们认为二分类 / 多分类算法不应该与 OCC 进行比较。

Apr, 2024

本文提出了一种新的针对单类学习的目标方法，采用正交归一帧子空间 “夹住” 标记数据，通过同时最小化两个目标来进行优化，即：缩小两个子空间的原点之间的距离，同时最大化正交超平面与数据之间的间隔，达到数据标记的目的，并在提出的 Dash-Cam-Pose 数据集上进行了实验。

Aug, 2019

在这项研究中，我们提出了一种简单的与类别无关的自适应特征适应方法（CA2），通过在未知类别情况下推广中心化方法并基于预训练网络的现有目标进行优化，证明 CA2 能够提高从 1 到 1024 个训练数据类别的一类分类性能，超越当前最先进的方法。

Sep, 2023

通过使用中心为零的高斯噪声作为伪负类，并使用交叉熵损失函数来训练网络，学习一个良好的表示以及给定类的决策边界，我们提出了一种基于卷积神经网络的新型一类分类方法。该方法的一个关键特点是任何预训练的卷积神经网络都可以用作一个类分类的基本网络，经过大量实验比较，该方法在一类应用问题（如用户身份验证、异常检测和新颖性检测）方面取得了显著的改进。

Jan, 2019

使用支持插值的高斯描述符，在一类分类（OCC）问题中实现了更好的异常检测性能和更好的鲁棒性。

Jan, 2021

本研究提出了一种针对 few-shot one-class classification 问题的元学习算法，通过特定的采样策略在只有少量样本的情况下实现异常检测，并在实验中取得了良好的表现。

Jul, 2020

我们提出了一个简单的框架，用于一类分类和异常检测。学习一个映射来将未知的训练（正常）数据分布转化为已知的目标分布，保证目标分布足够简单、紧凑且具有信息丰富性，同时最小化转化后的数据分布与目标分布的距离，并保持原始数据的重建误差足够小。与基准方法相比，对多个基准数据集验证了我们方法的优越性。

Jul, 2023

该研究提出了一种基于深度学习的解决方案，用于解决单类分类中的特征学习问题，通过两个损失函数和并行 CNN 架构生成描述性特征，并在模板匹配框架下进行了广泛的实验。结果表明，该方法在异常检测、新颖性检测和移动设备上的活动认证数据集上都有显著进展。

Jan, 2018