提出了 Coupled-hypersphere-based Feature Adaptation (CFA) 方法，它通过特征自适应到目标数据集来实现对异常数据的准确定位及区分，CFA 采用可学习的补丁描述符和可扩展的内存库，结合预训练 CNN 进行传递学习，实验证明其在异常检测和定位方面取得了优异的性能，最高 AUROC 分别达到 99.5％和 98.5％。

Jun, 2022

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

基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了 96.8/52.6 和 97.2/99.0（AUROC/AP）。

Dec, 2023

我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

Feb, 2024

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

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

本文提出了一个统一的端到端方法，通过结合 Adversarial Autoencoder 和 Recurrent Neural Network 的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方法优于现有技术。

Jul, 2019

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

利用统计检验方法提出了 Variational Autoencoder（VAE）在异常检测中的可靠性评估方法，该方法能够量化通过 VAE 检测到的异常区域的统计可靠性，并且可以控制误检的概率。

Feb, 2024

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