- 逻辑异常检测中分离新特征的简单而有效方法
在工业环境中，基于视觉的检测算法对于质量控制有着重要的贡献，尤其是在解决大规模生产中普遍存在的结构缺陷（如凹痕和污染）方面。最近的研究工作在处理逻辑缺陷时有效地使用了知识蒸馏方法来生成差异图，而本技术报告则通过在基于知识蒸馏的逻辑异常检测方 - 大型语言模型用于计算工作流程的异常检测：从有监督的微调到上下文学习
利用大型语言模型进行工作流异常检测，探索了监督微调和上下文学习两种方法，并通过实验表明它们在复杂执行中的异常检测具有潜在的潜力。
- 透过异常检测的视角观察模型去偏差化
通过异常检测方法，我们提出了一个新的偏差识别方法，结合偏差数据上采样和增强，实现了目前在合成和真实基准数据集上最先进的性能。我们证明了数据偏差问题并不一定需要复杂的去偏方法，只要定义一个准确的偏差识别过程即可。
- 文本与图像不相融：用于异常检测的偏差校正语言 - 图像相似度得分
通过对图像和文本输入的嵌入对齐，对比性语言图像预训练（CLIP）在各种下游任务中取得了显著的性能，并在异常检测方面表现出很大的潜力。然而，我们的实证实验证明文本输入的嵌入意外地密集聚集在一起，远离图像嵌入，与模型对比性训练的目标相反。我们展 - ECCV开放世界基于物体的异常检测的自监督异常样例合成方法研究
基于特征表示，本研究目的在于通过虚拟异常值综合利用开放世界物体检测器和异常值检测器，实现真正的开放世界物体异常检测，并在各种成像模式下展示了有效性和性能优势。
- 智能电网中的分散联邦异常检测：一种 P2P 谣言传播方法
基于两种典型的 Gossip 协议 ——Random Walk 和 Epidemic，本文提出了一种新颖的分布式联邦异常检测方案，实验证明了它在去中心化联邦学习环境中的高效性和鲁棒性。
- ECCVGeneralAD: 通过关注扭曲特征进行跨领域异常检测
基于视觉 Transformer 和自监督异常生成的 GeneralAD 异常检测框架在语义、近分布和工业设置中具有卓越的性能。
- 目标检测方法在髌肌异常图像重建评估和临床解读中的应用
深度学习图像重建质量与异常检测性能之间的关系，以及评估人工智能助手在增强放射科医师对重建图像上半月板异常的解读中的功效。
- 分布式物联网边缘设备间的全局异常检测
在物联网应用中，异常检测是一项重要功能，用于找出由异常事件引起的异常值。本文通过无线自组织协作学习提出了一种分布式协同模式，名为 WAFL-Autoencoder，用于在多个物联网设备之间进行异常检测。我们引入了全局异常的概念，并提出了一种 - 一种基于自监督异常检测和有限数据的连续膝关节骨关节炎严重程度分级的人工智能系统
通过异常检测的原则，提出了自动连续分级膝骨关节炎的三阶段方法，该方法建立在对健康膝关节 X 射线的稳健表示的基础上，根据其到正常中心的距离对疾病严重程度进行分级。该方法的性能优于现有技术，在 OA 检测方面的优势高达 24％，并且疾病严重程 - 密集植被中检测和跟踪异常的自主无人机群
利用无人机成群的模仿自然成群行为提高传感孔径，并通过适应当地条件的孔径来增强采样，使得检测和跟踪重度遮挡目标变得可行；通过应用于综合孔径积分图像的异常检测对于密集植被如森林是强健的且不依赖预训练类别；我们的自主群体搜索环境中未知或意外的事件 - 利用特征聚类增强变分自编码器与动态阈值的异常检测
我们介绍了一种用于多变量时间序列数据的异常检测方法，旨在识别关键时期和影响极端气候事件（如北极融雪）的特征。该方法利用集成了动态阈值和基于相关性的特征聚类的变分自动编码器（VAE）。该框架增强了 VAE 在气候数据中识别局部依赖性和学习时间 - BoBa: 通过数据分布推断在联邦学习中提升后门检测
提出一种新颖的分布感知异常检测机制 BoBa，通过对客户数据分布进行聚类，并采用基于投票的检测方法，从而有效解决非独立和同分布数据下后门攻击检测的挑战。通过广泛的评估，证明了 BoBa 能够在各种攻击策略和实验设置下将攻击成功率降低到小于 - 无监督异常检测基于扩散趋势分析
通过分析降解程度引起的重构趋势，我们提出了一种检测异常的方法，有效解决了现有方法中存在的两个问题，同时在工业异常检测的开放数据集上验证了该方法的性能，与现有异常检测方法的结合便利性为制造业提供了计算成本和性能之间的权衡，具有高应用潜力。
- 将本体设计与 CRISP-DM 结合在网络物理系统维护中
介绍了一种将领域专家为中心的本体设计方法与数据挖掘的行业标准流程 (CRISP-DM) 相结合的方法，旨在高效构建针对网络物理系统的纠正性维护的特定应用本体。该方法分为三个阶段，通过规范化领域专业知识来有效地从数据中提取新的见解，并利用新开 - PSPU: 利用伪标签增强正例与未标记学习
通过使用伪监督学习和一致数据分布的方法，我们提出了一种更好的正样本和无标签学习模型（PSPU），该模型在 MNIST、CIFAR-10、CIFAR-100 数据集上明显优于最近的 PU 学习方法，并在工业异常检测（MVTecAD）中表现出竞 - CAV-AD: 自动驾驶车辆网络中异常数据和恶意传感器的鲁棒检测框架
通过提出一种名为 CAV-AD 的新型框架，该框架包含了一个优化的 omni-scale CNN 模型架构和一个放大块，以在检测多个异常数据的同时识别恶意传感器，成功地实现了 98% 的平均准确率和 89% 的平均 F1 得分。
- SPINEX：基于相似性的解释邻居探索的异常和离群检测预测
SPINEX 是一种新颖的异常和离群点检测算法，利用相似性和多个子空间之间的高阶交互概念来识别离群点，并通过评估 21 种常用的异常检测算法以及各种领域、各种维度和复杂度的 39 个合成和真实数据集，证明 SPINEX 具有卓越的性能，在综 - 异常模式的复杂系统机器学习与最大异常集中检测方法
本文提出了一种用于异常检测的新型快速在线方法，称为异常最大化异常检测方法（EMODM），它利用概率模型和统计算法从复杂系统的输出中检测出异常模式。EMODM 基于双态高斯混合模型，在实时原始数据上进行概率异常检测，并证明其在两个数值案例的合 - 基于支持向量的联邦学习中的异常检测
本研究介绍了两种创新算法 --Ensemble SVDD 和 Support Vector Election，利用支持向量机在联邦学习环境中进行异常检测。与联邦学习中通常使用的神经网络相比，这些新算法具有潜在的替代性，因为它们能够有效地处理