基于密度矩阵的潜在异常检测
提出了基于自编码器的一类支持向量机（AE-1SVM）模型，结合表示学习架构，采用随机傅里叶特征来逼近径向基核，集成了终端到终端的训练，可用于异常检测，并且拓展了深度学习在异常检测中的可能应用，并且，该模型在无监督的异常检测任务中表现显著优于之前采用分离训练的工作。
Apr, 2018
通过重新参数化的视角深入研究分布密度的行为，揭示在现有应用中赋予异常点密度的经验值与应用期望相冲突，提出利用这些似然函数进行异常检测依赖强的暗含假设，明确表述这些假设才能实现可靠异常检测。
Dec, 2020
通过使用VQ-VAEs结合密度和基于恢复的方法，我们提出一种识别实现无监督异常检测的新方法，该方法通过对图像进行编码将概率分布建模，并将不常见的编码替换为从先验分布中采样的编码集合, 通过对生成的恢复图像和原始图像之间的平均L1距离度量像素级的异常得分，我们对MOOD挑战数据集进行了测试，相比具有VAEs的标准重建方法，我们的方法具有更高的准确性。
Dec, 2020
该研究提出了一种新的半监督异常检测方法DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验结果表明，该方法优于当前常用的最先进的异常检测算法，而且在不同的异常类别之间表现出强大的鲁棒性。
Jun, 2021
本研究提出了一种名为AMSL的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。
Jan, 2022
本文提出了一种对抗框架，由Adversarial Distorter和Autoencoder两个部分组成，利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示，实现了对图像和视频数据集上的异常检测的最新性能的提升。
Jul, 2022
本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。
Nov, 2022
通过将正常样本的密度函数假设为在某些紧凑区域内是均匀的，减小方差放宽了对于特定数据的超参数调节要求，提出了基于改进密度估计的异常检测方案，并设计了一个方差稳定的密度估计问题，然后使用自回归模型学习了方差稳定分布，最后在52个数据集的广泛基准测试中表现出了最新的结果。
Jun, 2023