为了解决深度生成模型在重现概率分布函数方面的局限性，本文提出了一种基于速率失真优化的自编码器，通过实现等距性质来嵌入数据空间，取得了非常良好的无监督异常检测性能，并且在四个公共数据集上优于现有方法。

Oct, 2019

本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

Nov, 2019

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测CERN大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 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

该论文提出Clean Subspace Variational Autoencoder (CLSVAE)用于检测和自动修复系统误差，该模型可以通过在较小的维度空间中建模数据并将异常（包括干扰和正常数据）拉伸到空间外检测异常。实验表明，CLSVAE比先前相关模型需要更少的标记数据，将误差降低了58%。

Jul, 2022

该论文研究了如何通过压缩深度神经网络映射到潜在空间的图像来检测异常值，并且提出了一种特定的得分函数用于检测潜在孔洞。

Jun, 2023

自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器，我们将其潜在空间设为条件，将样本分类为正常数据或异常数据。为了特别强调小的异常，我们进行了实验，在额外的输入中提供了差异图，并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中，同时还能重构高质量的图像，从而产生有意义的潜在表示。

Sep, 2023

结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

Jan, 2024

我们提出了一种新的无监督异常检测方法FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于VAE的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的“目标注意力”机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对FCVAE进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于VAE的异常检测模型的局限性方面的实际适用性。

Feb, 2024

本文针对变分自编码器（VAE）在异常检测中的应用进行了比较分析，尤其关注不同VAE架构的性能表现和特征。研究发现，ViT-VAE在多种场景中表现出色，而VAE-GRF需要更复杂的超参数调整才能达到最佳性能。该研究通过使用MiAD数据集进行基准测试，有效提高了结果的竞争性，增强了评估框架的稳健性。

Aug, 2024