本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

Apr, 2024

本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

Jun, 2023

在本研究中，我们提出了一种新的方法来解决少样本异常检测（FSAD）的挑战，该方法包括使用预先训练的模型初始化权重，采用对比性训练来优化少样本领域数据，以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估，以展示所提方法的有效性。

Feb, 2024

构建了一个大规模通用的 COCO-AD 数据集，提出了一些实用的基于阈值的 AD 特定度量标准，并通过提出的 InvAD 框架改进了基于重构的方法在多类无监督设置下的有效性。

Apr, 2024

利用三领域异常检测 (TriAD) 的自主学习方法，本文通过对 UCR 数据集的实验结果，相比于最先进的深度学习模型，实现了基于 PA% K F1 分数的三倍提升，并相比于最先进的不和谐发现算法，实现了 50% 准确率的提升。

Nov, 2023

提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

Mar, 2021

提出了一种基于深度对比学习的时序对比一类异 常检测方法（COCA），具有优秀的性能，并通过两个真实世界的 时间序列数据集的广泛实验进行验证。

Jul, 2022

本文提出 AdaContrast，通过自监督对比学习和在线伪标签提取相结合的方式，实现了无访问源域数据的测试时间自适应，并在主要基准测试中达到了最先进水平。

Apr, 2022

通过自我降级的对比域自适应 (Sd-CDA) 诊断框架来处理不平衡数据下的域差异问题，首先通过基于模型剪枝的不平衡感知对比学习方法对特征提取器进行预训练，以自监督方式高效地学习特征表示；然后基于监督对比域对抗学习 (SupCon-DA) 强制将样本远离域边界，确保特征生成器生成的特征具有足够的区分性；此外，提出了剪枝对比域对抗学习 (PSupCon-DA)，自动关注少数类以增强对不平衡数据的性能；通过两个实验展示了所提方法的优越性。

May, 2024

介绍了基于制造数据集的异常检测框架，该框架利用异质时间序列数据，提出了一个两阶段的深度异常检测 (TDAD) 框架，该框架在操作周期信号和传感器信号类型上采用了两种不同的无监督学习模型，并结合了其它特征，通过实验综合展示了其对于单级对照方法的优越性、模型无关性和鲁棒性。

Feb, 2022