REMIX是第一个解决交互式环境下异常检测问题的系统，它使用新颖的混合整数规划(MIP)公式，在规定时间内自动选择和执行多样化的异常检测器，包括数据处理算法和特征选择，为分析人员提供两种不同的结果消费方式，即透视图和集成异常检测器。

May, 2017

本文提出一种名为 NuSA 的方法，通过计算和控制神经网络中的零空间投影大小，成功地将异常样本检测方法整合到分类模型中，实现对异常情况的精确识别。实验表明，使用 NuSA 训练的网络既能保持其分类性能，同时也能以类似于常用异常值检测算法的速率检测异常值。

Jul, 2020

本文提出了一种名为COPOD的新颖异常检测算法，它受到copulas建模多变量数据分布的启发，这使得它既不需要参数，可解释性又高，且计算效率高，通过对30个基准数据集的广泛实验表明，它在大多数情况下表现出色且是其中速度最快的算法，同时，我们还发布了易于使用的Python实现来实现结果的再现。

Sep, 2020

本研究提出了一种可靠的置信度估计方法以检测深度神经网络分类器的误分类，该方法通过利用异常样本、使用在非目标类中的无标签样本以协助检测误分类错误，并将开放世界知识结合到模型中，学习拒绝通过异常转换生成的不确定的伪样本，从而在各种场景下显著提高置信度可靠性。

Mar, 2023

本文介绍了一种新的基于相似度的解释性邻居探索算法SPINEX，通过结合集成学习和特征交互分析来实现准确的预测和有意义的洞察，并且在59个合成和真实数据集上进行了广泛的实验来评估其性能。实验结果表明，SPINEX在某些情况下可能优于常用机器学习算法，是一个有前途的方法用于各种现实世界的应用。

Jun, 2023

对异常值和离群值对模型估计和数据处理的影响进行了全面的调查，包括对异常检测领域的综述和研究方法进行了研究，揭示了相关主题和方法的发展以及学者在这一领域的写作实践。

Dec, 2023

我们提出了一种非参数异常检测方法，该方法完全考虑了数据集中的局部内在维度变化。通过使用局部内在维度估计值的局部估计以理论上合理的方式，我们的维度感知异常检测方法DAO被推导为涉及查询点和随机选择的近邻之间的渐近本地期望密度比的估计器。通过对800多个合成和真实数据集的全面实验，我们表明DAO明显优于三个流行且重要的基准异常检测方法：局部异常因子（LOF），简化LOF和kNN。

Jan, 2024

使用无标签数据来规范机器学习模型已经显示出改善检测超出分布数据的安全性和可靠性的潜力。一个新的学习框架SAL（分割与学习）通过从无标签数据中分离候选离群值然后使用这些候选离群值和标记的正态数据训练离群值分类器，理论上证明了SAL能以较小的错误率分离候选离群值，这为学习到的离群值分类器提供了泛化保证。实证结果表明SAL在常见基准测试上取得了最先进的性能。

Feb, 2024

对离群点检测中的邻居方法及其组成部分进行了研究，引入了一个分类法，使用信息、邻居和方法学作为三个层面来定义混合方法，通过合并该分类法的不同组成部分，可以提出新的基于邻居的离群点检测方法，实验结果表明，基于逆K最近邻方法在高维空间中具有良好性能。

May, 2024

本文针对时间序列和预测分析中的预测准确性和可解释性问题，提出了SPINEX的新算法，该算法利用相似性和高阶时间交互。实验证明，SPINEX在处理复杂时间动态方面表现优异，常常排名前五，显示了其在预测精准度和决策透明度中的潜力。

Aug, 2024