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

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

本研究提出一种结合贝叶斯网络与正则化流算法的 GANF 方法，用于多时间序列数据的异常检测和密度估计。实验证明该方法在时间序列密度估计、异常检测和检测数据时序漂移等方面具有较高的有效性。

Feb, 2022

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

本研究提出了一种基于网络流量的多尺度残差特征的异常检测方法，利用滑动窗口将流量分成不同时间跨度的子序列，并使用小波变换技术将每个子序列分解和重构为不同级别的数据序列；使用栈式自编码器构建相似特征空间，并在相似特征空间中使用构建后的样本和输入样本的差异生成重构错误向量；通过轻量级分类器完成流量分类。实验结果证实，该方法对于异常网络流量的检测性能比传统方法有显著提高；长时间跨度和更多 S 变换尺度对于发现原始网络流量中的潜在多样性信息具有积极作用。

May, 2022

该论文提出了一种用于图像分类的深度神经网络方法，通过测试时训练和无监督学习实现领域自适应，并在实验中证明了该方法相对于之前方法的优势。

Oct, 2022

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

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 2023

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

本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。

Nov, 2022