本文介绍了一种新的集成异常检测方法CARE，该方法采用顺序集成方法在每个迭代中对中间结果进行二阶段聚合，从而提高了多维点数据异常检测的准确性。该方法结合了并行和顺序模块来降低偏差和方差。 实验表明，CARE 相比于基线模型和其他异常检测集成模型表现更好。

Sep, 2016

研究从图分类数据集为图级异常检测（GLOD）重新配置数据集对于模型性能的影响，发现根据哪个类别被下采样，模型的ROC-AUC性能会显著改变，探究了基于传播的模型所产生的图嵌入空间以及在类别之间的重叠度问题。

Dec, 2020

本文探讨了使用单个预训练网络作为通用特征提取器，在异常检测任务中取代训练不同表示器的可能性，并在实验中证明了使用领域内数据学习表示可能不是异常检测的必要步骤。

May, 2021

本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常vs.异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

Feb, 2022

本论文利用大量的随机图像来代表异常性，通过一些经过改进的学习方法、标准分类器和一类半监督的方法进行训练，发现无论何时在已有数据的基础上添加一个训练异常样本能够达到很不错的结果（在ImageNet基准测试下的AUC值可以达到79.3%），并表明一类方法对于训练异常样本的选择更加鲁棒，与标准分类器相比具有优势，并且在使用CLIP表示学习时，零样本的情况下可以实现ImageNet上的最新异常检测结果。

May, 2022

研究提出了一种将基于距离的异常点检测得分转化为可解释的概率估计的方法，其利用数据点之间的距离概率分布将距离得分转换为异常点概率，实验结果显示这种概率转换不影响检测性能，但可产生具有增强对比度的可解释的异常点分数。

May, 2023

基于RANSAC-NN算法的无监督图像异常检测在各类数据集中表现优秀，无需超参数调整，并且对图像错误标记的检测有潜在应用。

Jul, 2023

在具有监督的视觉识别的安全关键应用中，离群点检测是一项至关重要的能力。本文提出一种新颖的方法，将异常分数定义为内部不确定性与离群类别的后验的集合，从而实现离群点的独立检测。该方法嵌入到一个密集预测架构中，并在K+2个类别上进行掩膜级别识别。通过训练过程，鼓励第K+2个类别在负面实例中学习负性关注度。我们的模型在标准基准上表现优于当前最先进的图像全局和像素级离群点检测方法，无论是否在真实负面数据上进行训练。

Feb, 2024

本研究解决了现有异常值检测算法在异常值得分比较和解释方面的不足，提出鲁棒统计规模化方法，以提高异常值的概率质量。通过实证评估，结果显示该方法能显著改善不同算法生成的异常值概率，特别是在医疗、金融和工程等领域具有重要意义和潜在影响。

Aug, 2024

本研究解决了异常值检测算法中异常分数可比性不足的问题，提出了一种稳健统计缩放方法，以提高对异常值的概率估计。该方法利用稳健估计量改善了对异常值的概率，特别适用于医疗、金融和工程等重要领域，以防止错过关键异常值。通过对比其他异常分数转换方法，我们的方法在多种真实数据集上表现出色。

Aug, 2024