我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

Nov, 2023

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

Jan, 2024

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018

提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

Jul, 2019

本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

Aug, 2020

本文通过使用低级别喷注构成信息，针对大型强子对撞机的异常喷注标记对变分自编码器（VAEs）进行了详细研究。在无监督的情况下对背景下的 QCD 喷注进行训练，VAE 能够对重建喷注进行重要信息的编码，并学习潜在空间中表现力强的后验分布。我们呈现了不同方法来检测异常情况，并对距离相关性正则化的基于质量去相关的 VAEs 进行了研究。 最终我们提出了异常暴露 VAE（OE-VAE），以构建一个性能优越的去相关异常喷注标记器，实现了异常检测灵敏度和去除异常得分中重力的两个目标。

Jul, 2020

该研究提出了一种基于深度变分自编码器（VAEs）的时间序列异常检测方法中的轻量级和防过拟合的重新训练方法（LARA），该方法能够以较快的速率收敛，并避免过拟合问题。实验证明，即使使用新分布的 43 个时间段的数据来重新训练 LARA，其 F1 得分仍与使用充分数据训练的最先进的异常检测模型相竞争，并且该方法的额外开销较小。

Oct, 2023

本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

Nov, 2019

该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

Jun, 2022