本文对一类分类的经典统计方法和最新深度学习方法进行了综述，探讨了现有方法的优缺点并指出了未来研究的方向，并讨论了一般所使用的数据集和评估指标。

Jan, 2021

对一类分类（OCC）进行全面回顾，检查其实现中所采用的技术和方法，探讨了在不同数据类型（如特征数据、图像、视频、时间序列等）中用于 OCC 的各种方法。通过系统回顾，综合总结了自 OCC 起始到目前的主要策略，重点关注了有前景的应用。此外，该文章批评了主导一类实验的最新图像异常检测（AD）算法，如离群值暴露（二分类）和预训练模型（多分类），与从单一类别中学习的基本概念相冲突。我们的调查表明，用于一类 CIFAR10 基准测试的前九个算法并非 OCC。我们认为二分类 / 多分类算法不应该与 OCC 进行比较。

Apr, 2024

在这项研究中，我们提出了一种简单的与类别无关的自适应特征适应方法（CA2），通过在未知类别情况下推广中心化方法并基于预训练网络的现有目标进行优化，证明 CA2 能够提高从 1 到 1024 个训练数据类别的一类分类性能，超越当前最先进的方法。

Sep, 2023

通过优化目标空间内的规范来改进异常检测，研究发现可以使用适当规范的任何空间作为等效替代，无需依赖于训练样本分布假设，提出了一种简单且与数据无关的深度单类分类方法。

Aug, 2023

通过在线机器学习算法，针对短期时间内高度失衡的视频分类问题，我们提出了一种新的算法并取得了 2.4-7.8 倍的分类速度提升。

Nov, 2016

本文提出了一个统一的主动学习框架，并考虑到了检测器的不确定性和鲁棒性，从而保证了网络在所有类中的良好表现，并利用自动标注抑制潜在的分布漂移，提高了模型的性能。实验表明，我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法，在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。

Jun, 2021

本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法，使卷积神经网络计算效率最大化，并以 ILSVRC2012 分类挑战作为基准，报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络，评估单帧评估的 top-1 误差 21.2％和 top-5 误差 5.6％的显著成果。

Dec, 2015

通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力，并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力，结果表明在计算机视觉任务中高性能不直接转化为医学成像任务中的准确性，因此为开发下一代 OOD 检测方法提供了有用的见解。

Jul, 2021

光计算系统的实地优化是无模型的解决方案，基于分数梯度估计算法，其简单性和对计算资源的低需求加速了光计算从实验室演示到现实世界应用的过渡。

Jul, 2023

本研究提出了一种针对 few-shot one-class classification 问题的元学习算法，通过特定的采样策略在只有少量样本的情况下实现异常检测，并在实验中取得了良好的表现。

Jul, 2020