本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

Nov, 2021

本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

Jul, 2021

MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体的共同性进行聚类策略，实现更精确和详细的密度估计。

Dec, 2023

我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

Nov, 2023

本研究提出了 MTGFlow，这是一种基于无监督学习的多元时间序列异常检测方法，通过动态图和实体感知归一化流实现。通过学习实体之间的互动关系以及实体本身的特征，MTGFlow 在超过七个基线模型的五个公共数据集上取得了 5.0 AUROC\% 的性能提升。

Aug, 2022

该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

Mar, 2024

提出了一个名为 AltUB 的解决方案来改善基于正常流的性能稳定性，使其在无监督异常检测任务中达到了最新的最先进表现，并在 MVTec AD 数据集上实现了 98.8％的 AUROC。

Oct, 2022

本文提出了一种基于教师 - 学生特征模仿网络的多尺度处理策略，采用了基于梯度下降优化的网络模块重要性搜索方法，可以有效地解决无监督异常定位任务的挑战，并在实际工业产品检测数据集上比同期的特征建模异常定位方法具有更好的性能。

Dec, 2022

我们提出了一种利用图归一化流驱动的非对称网络进行无监督图级异常检测的方法（FANFOLD）。在训练阶段，FANFOLD 将正常图的原始分布转换为标准正态分布；在推理阶段，FANFOLD 使用源 - 目标损失计算异常分数来区分正常图和异常图，并通过在源网络上应用图归一化流实现了非对称网络。我们在不同领域的 15 个数据集上对 FANFOLD 进行了大量实验证明其优越性。

Jun, 2024

Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

Jun, 2019