- 具有新颖性检测能力的变星深度神经网络分类器
利用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测，从而构建了周期光变曲线分类器，并证明了自编码器和估计网络的同时训练互惠性，取得了更快的自编码器收敛速度、更好的分类和新颖性检测性能，同时估计网络即使在使用预 - IJCAI无监督渐进学习和 STAM 架构
本文提出了一种解决自主学习和非稳态无标签数据流问题的方法：使用一种自学习联想存储体结构和在线聚类，新颖性检测以及仅存储典型特征等方法，实现动态增长的特征数并解决异常点问题，同时该方案也在聚类和分类任务上进行了评估。
- CVPR多类别新颖性检测的深度迁移学习
本研究提出了一种基于迁移学习的深度神经网络模型，通过采用新颖的成员损失函数和全局负过滤器增强了模型性能，从而实现有效的多类新颖物体检测。
- 一类卷积神经网络
通过使用中心为零的高斯噪声作为伪负类，并使用交叉熵损失函数来训练网络，学习一个良好的表示以及给定类的决策边界，我们提出了一种基于卷积神经网络的新型一类分类方法。该方法的一个关键特点是任何预训练的卷积神经网络都可以用作一个类分类的基本网络，经 - 知情民主：基于投票的动作识别新颖性检测
本论文提出了一种新的方法，通过投票机制结合分类器的不确定度来测量新输入样本的新颖性，并且在 UCF-101 和 HMDB-51 数据集上取得了比最先进的方法更好的结果，在与零样本学习 (ZSL) 相结合的情况下，可以显著提高广义 ZSL 设 - 度量学习用于新颖性和异常检测
本文使用度量学习替代交叉熵方法进行神经网络图像处理的异类检测，实现了与先前研究相当或更好的结果，尤其在交通标志识别等相关应用中表现良好。
- MM新奇性检测与对撞机物理
本研究通过基于自编码器的深度神经网络，在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测，并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明，新物理基准可能具有高效的识别 - 利用对抗自编码器进行生成式概率新颖性检测
该论文基于深度学习编码 - 解码器网络架构，提出了一种概率方法来检测新数据点，并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明，在多个基准数据集上，该方法能够达到最先进水平。
- CVPR潜空间自回归用于新颖性检测
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。
- ICML大型图像数据集中的可解释性发现
该研究提出了一种新方法，将新颖性检测与 CNN 图像特征相结合，用于在大型数据集中快速发现新的，有趣的，不同寻常或异常的图像，并提供可解释的解释。
- 使用变分自编码器进行 q 空间新颖性检测
文章提出一种基于 VAE 的新颖性检测方法，使用该方法可以检测出多发性硬化症的扩散 MRI 扫描中的异常区域，并且在 MNIST 手写数字数据集上取得了优于现有方法的效果。
- CVPR基于层次结构的视觉物体识别新颖性检测
研究了一种基于层次分类框架的、更加信息化的新颖性检测方案，该方案可以使用置信校准分类器和数据重新标记等方法，找到一个新类的最接近的超级类，并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。
- 通过图像变形的不变性获得信心
本文介绍了一种自动检测预先训练的视觉分类器中分类错误的技术，该技术是对分类器形式不可知的，并且仅需要访问对一组输入的分类器响应。我们使用由来源于同一输入的多个分类器响应生成的表示的参数二元分类器 (错误 / 正确) 进行训练，每个分类器都受 - 基于 GAN 的新奇性检测
通过使用基于生成式对抗网络的方法，我们提出了一种用于同时分类和新颖性检测的多分类判别器，通过从名义和新颖的数据分布混合中生成样本，对于新颖性检测具有最优性能，并且实验结果表明，该方法优于传统方法。
- CVPR基于对抗学习的一类分类器用于新奇性检测
本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 - 基于模型的多实例学习
本文提出了一种基于点过程理论的多示例学习框架，使用该框架可以对无序点的数据进行分类、新奇性检测和聚类等学习任务，并针对点数据解决可训练的点模式模型以及决策方案。
- 探索性示例模型用于深度强化学习
本文提出了一种基于判别式训练范例模型的探索性新颖性检测算法，该算法可以应用于稀疏回报问题的深度强化学习任务，此方法在 vizDoom 基准测试中取得了最先进的结果。
- 基于模型的点模式数据分类与新颖性检测
本文提出了一种使用随机有限集 (RFS) 进行点模式数据建模的方法，并介绍了适当的似然函数和最大似然估计器，可以学习可操作的 RFS 模型族。在新颖性检测中，我们提出了基于 RFS 模型的新型排名函数，实现了显著的性能提升。
- 循环神经网络异常检测
本研究利用基于强大的循环神经网络的新颖性检测方法，提高了对高复杂度多用户无线电频段中小异常的检测能力，并在多个常见真实的空中无线电通信频段上进行了实证研究，比较了检测性能。
- MM利用众包训练数据在未知的声音背景中检测鸟鸣声
通过建立鸟鸣音的生成模型和采用新颖性检测技术，可以在全球范围内使用廉价的无人值守记录站或使用移动设备上的录音和物种识别进行大规模众包，可靠地识别动物物种的能力受到限制。