本文提出一种通用的 UAD Booster 框架，利用神经网络作为模型辅助器并考虑模型间差异自动校正的方法，提高异构 UAD 模型的适应性和检测效果。

Jun, 2023

医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

Sep, 2023

本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

Jan, 2022

本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。

Jun, 2024

本论文提出了一种名为 UniCon-HA 的方法，通过结合监督和无监督的对比损失，明确鼓励正常样本的集中和虚拟异常样本的分散。通过软机制对每个扩增的正常样本进行重新加权，以确保纯净的集中。此外，通过采用易到难的层次化增强策略，并根据数据增强的强度在网络的不同深度进行对比聚合，以促进更高的集中。在三个异常检测设置下进行了评估，包括无标签单一类别、无标签多类别和有标签多类别，结果表明该方法在各方面均优于其他竞争方法。

Aug, 2023

本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

Jun, 2023

探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

May, 2023

本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

May, 2022

提出了一种名为 ADA-GAD 的新型双阶段框架以解决图中异常检测问题，通过减少异常级别并利用多层级表示进行预训练和检测，同时使用节点异常分布正则化来进一步减轻异常过拟合问题。

Dec, 2023

这篇论文探讨了如何应用对抗性训练和增加噪声的方法来解决自动编码器过拟合问题，从而提高异常检测的性能，并在多个数据集和实际场景中进行了验证。

Mar, 2023