- 2D 胎儿脑超声分析基准
该研究聚焦于使用超声技术获取 2D 胎儿脑部图像，提供了一个共同空间中的模板和注释图像用于分析脑发育，检测异常，并开发新的分割技术和配准方法。
- DABL：利用大型语言模型检测企业流程中的语义异常
利用大型语言模型（LLMs），引入 DABL 来检测业务流程中的语义异常，通过广泛的实验表明 DABL 在泛化能力和学习给定流程方面超过了现有最新的语义异常检测方法。用户可以直接应用 DABL 来检测其自己的数据集中的语义异常，并能用自然语 - ATAC-Net: 缩放视图在异常检测中效果更好
ATAC-Net 框架利用深度学习在视觉异常检测中应用，从一小部分已知先验异常样本中进行训练，使用注意力引导裁剪提供对疑似区域的更近距离视图，并在可比较的情况下证实其优越性。
- 无监督学习中的多次下降：噪声、领域偏移和异常值的作用
在无监督学习中研究双重下降现象，通过使用欠完备的自编码器进行实验，发现双重下降现象存在于多个应用中，并对异常和领域转移进行检测和缓解，结果表明过参数化模型不仅在重构方面表现出更好的性能，还增强了下游任务的能力。
- 使用深度卷积神经网络检测视频游戏中的渲染故障
使用深度卷积神经网络（DCNN）来检测视频游戏中常见的故障，特别是在图像测试的最后阶段中，能够自动化部分图形测试工作。
- CAT: 坐标解剖学与文本启示的多器官和肿瘤分割
在医学影像领域，现有的可提示分割方法主要考虑文本或视觉提示，但在处理医学图像中的异常情况（如肿瘤）时往往存在一些局限性，因为肿瘤在形状、大小和外观等方面可能存在很大的变异。为了解决医学场景的复杂性和文本或视觉提示的局限性，我们提出了一种新颖 - 缺失结构知识的异常值根本原因分析
通过使用结构因果模型中的因果反事实的定量贡献分析，最近的工作对异常情况的根本原因分析进行了概念化。本文提出了简化、高效的根本原因分析方法，用于识别唯一的根本原因而非定量贡献分析的任务。对于未知因果有向无环图的应用场景，我们将异常得分最高的变 - 基于大型多模态模型的石材劣化模式识别
通过对主要基础多模态模型的能力进行评估，我们系统性地研究了这些模型在识别和分类有助于文化遗产保护和修复的石质元素的异常和磨损模式方面的能力，并确定了这些模型在遗产保护与修复领域的优势和劣势。
- BELLS: 未来证据高效安全评估的框架
该研究介绍了用于检测大型语言模型系统中的异常迹象的输入输出保护装置，提出了评估这些保护装置的基准测试，并实施并分享了第一个下一代架构测试，以及相应的数据集的交互式可视化。
- WSDM利用世界事件预测异常下的电子商务消费者需求
通过利用世界事件中蕴含的外部知识，本研究提出了一种基于 transformers 的方法来预测未来的消费者行为，在异常情况下取得了比现有方法更好的表现。
- 在 Azure 核心工作负载洞察中的高显著性故障检测
自动识别 “高显著异常” 及其相关信息以便用户感知。
- 饮用奶后请放回！用于使具备行动能力的智能体检测异常情况的数据集
通过利用大型语言模型和场景图，我们在安全检测数据集中使用 GPT-4 进行家庭机器人的安全检测，该方法能够正确识别超过 90％的异常情况。
- 重新思考强化学习的非分布检测：改进评估和检测方法
我们提出一种基于时间序列特征提取的新方法 DEXTER，用于检测强化学习中的异常情况，该方法在基准场景中表现出优越性能，相比现有的异常检测算法和高维度变点检测方法具有显著优势。
- 从混沌到清晰：天文观测中的时间序列异常检测
提出了一种专门用于天文观测的无监督异常检测框架 AERO，该框架利用 Transformer 和图神经网络的结构，能够准确检测出天文观测中的异常，并较其他模型表现更好。
- CVPR通过上下文残差学习与少样本提示实现通用异常检测
使用少样本学习的正常图像为提示，在不同数据集上训练一个综合上下文残差学习模型（InCTRL）进行广义异常检测，以区分异常和正常样本之间的残差来实现跨不同领域的泛化能力。
- 用于少样本异常检测的双路径频率鉴别器
我们从频域角度提出了 Dual-Path Frequency Discriminators (DFD) 网络，用于解决少样本异常检测中的问题，并通过鉴别分类模块在特征空间中检测和定位图像级别和特征级别的异常，实验证明我们的方法超过了现有的最 - 无线电天文数据的新颖性检测基于特征的方法
SigNova 是一种半监督框架，用于检测流数据中的异常，通过使用签名变换提取观测序列的统计信息，计算特征向量的新颖性得分，并结合分割算法 Pysegments 来定位受 RFI 污染的连续观测。
- 通过图神经网络检测物体中心业务流程中的异常事件
该研究提出了一种利用图神经网络和面向对象的流程挖掘的框架来检测业务流程中的异常事件，结果表明该方法在活动类型和属性层面上能够很好地检测异常，但在事件的时间顺序上存在困难。
- 从观测数据中快速检测根本原因，并应用于 IT 系统
引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验 - 基于深度学习的物联网网络流量分析
使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常，并在 KDD Cup 99 数据集上实施了一个模型，实验结果展示了异常检测模型的出色性能，达到了超过 98% 的准确率。