- 一类分类的关键评审：最新进展及其背后的现实
对一类分类（OCC）进行全面回顾，检查其实现中所采用的技术和方法，探讨了在不同数据类型（如特征数据、图像、视频、时间序列等）中用于 OCC 的各种方法。通过系统回顾，综合总结了自 OCC 起始到目前的主要策略，重点关注了有前景的应用。此外， - Hyp-OC：用于人脸反欺骗的双曲超半监督分类
我们提出了一种从单类的角度重新构建面部反欺骗任务，并提出了一种新的双曲线单类分类框架。通过在双曲线空间中运行的两个新的损失函数以及欧几里德特征剪切和梯度剪切，我们的方法在五个基准数据集上显著优于最先进的技术，实现了更好的欺骗检测性能。
- 通过一类分类理解时间序列异常状态检测
通过一类分类 (OCC) 方法重新定义时间序列异常检测问题，使用随机过程和假设检验严格定义 “时间序列异常状态检测问题” 和其对应的异常，构建人工数据集并测试 38 个异常检测算法，通过大量实验比较了各种算法的实际性能，为未来研究提供了洞察 - 自适应阈值交织单类和弱监督模型用于无监督视频异常检测
无监督视频异常检测方法中，使用交替训练自我标记模型的新型交错框架，以及通过加权 OCC 模型和自适应机制来解决固定阈值问题，实验表明该方法优于以往方法。
- Lp 范数约束的单类分类器组合
通过建模集合的稀疏性 / 均匀性，本研究提出了一种解决一类分类器融合问题的方法，即通过线性集合模型中的权重学习。利用 Frank-Wolfe 算法，有效地解决了提出的凸约束优化问题，并通过多个数据集的评估证明了其优势。
- 学习物体的多项式表示及其在验证正确装箱配置中的应用
该论文引入了一种学习物体多项式表示的新方法，通过求解单类分类问题来限定数据点的多项式子水平集，同时利用 Sum-of-Squares（SOS）编程来强制先前的形状知识约束。通过将物体表示为多项式子水平集，我们进一步展示了可以构建一个次要的 - 高效训练单类分类支持向量机
该研究通过使用一种高效的训练方法来进行一类分类，并介绍了一种有效的算法用于双软边界一类支持向量机训练，该方法利用了增广 Lagrangian (AL-FPGM) 和 Fast Projected Gradient Method (FPGM) - 基于子空间学习的一类分类的信用卡欺诈检测
利用基于子空间学习的 OCC 算法来处理信用卡欺诈检测的挑战，解决数据高度不平衡和维度灾难问题，减少欺诈交易带来的财务损失。
- 基于牛顿法的子空间支持向量数据描述
本文介绍了一种适应于 Subspace Support Vector Data Description（S-SVDD）的 Newton 方法的改进。通过利用 Newton 方法增强数据映射和描述，以实现基于子空间学习的一类分类的优化。实验证 - 基于卷积自编码器的多模态一类分类
本文提出了一种适用于多模态数据的深度学习一类分类方法，通过联合训练两个卷积自编码器，使其在重构正样本输入数据的同时，在潜在空间中获得尽可能紧凑的数据表示。在推理过程中，可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明，与单模态方 - 基于深度单类分类的主动异常检测
通过结合积极学习和半监督学习方法，本文提出了一种新的查询策略，以及使用噪声对比估计来有效地训练单类分类模型，从而改善异常检测过程和性能。
- AAAICA2：类别不可知自适应特征适应用于一类分类
在这项研究中，我们提出了一种简单的与类别无关的自适应特征适应方法（CA2），通过在未知类别情况下推广中心化方法并基于预训练网络的现有目标进行优化，证明 CA2 能够提高从 1 到 1024 个训练数据类别的一类分类性能，超越当前最先进的方法 - 探索异常检测的单类分类优化目标
通过优化目标空间内的规范来改进异常检测，研究发现可以使用适当规范的任何空间作为等效替代，无需依赖于训练样本分布假设，提出了一种简单且与数据无关的深度单类分类方法。
- ICCVProtoFL: 基于原型蒸馏的无监督联合学习
我们提出了 'ProtoFL'，基于原型表示蒸馏的无监督联邦学习，以增强全局模型的表示能力并降低往返通信成本，同时引入基于归一化流的本地一类分类器以改善有限数据的性能。我们在 MNIST、CIFAR-10、CIFAR-100、ImageNe - 一类分类的对数障碍损失函数
通过将对数障碍函数引入 OCC 损失（LBL）中，并通过逐渐放松的 Sigmoid 函数解决优化不稳定性问题，提出了一种新的深度学习 OCC 损失函数（LBLSig）。与多种最先进的 OCC 算法在不同网络结构上进行比较实验证明了 LBL - 受限生成投影用于单类分类与异常检测
我们提出了一个简单的框架，用于一类分类和异常检测。学习一个映射来将未知的训练（正常）数据分布转化为已知的目标分布，保证目标分布足够简单、紧凑且具有信息丰富性，同时最小化转化后的数据分布与目标分布的距离，并保持原始数据的重建误差足够小。与基准 - 基于无监督深层 FCDD 的乡村铁路枕木腐朽检测
本文提出了一种基于卷积神经网络（CNNs）的预测鉴别器流水线来自动分类损坏的铁路组件，使用一类分类方法，结合基于可视化的热图来判定铁路组件的损坏情况，并在预测性维护中提出了未来工作。
- SLSG：通过学习更好的特征嵌入和单类分类实现工业图像异常检测
为了更有效地检测异常，本文提出了一种基于自监督学习和自注意力图卷积（SLSG）的网络，SLSG 使用生成式预训练网络辅助编码器学习正常模式的嵌入和位置关系的推理，并通过比较模拟异常来更好地总结正常特征。此外，SLSG 通过构建更一般的图结构 - 基于子空间学习的高光谱图像单类分类分析
本研究提出一种基于子空间学习的单类分类技术，能够对高光谱数据进行有效分类，具有对付高维度和标签不平衡问题的能力。
- 基於上下文區分對比學習的時間序列異常檢測
针对时间数据中的异常检测问题，提出了一种新的方法，借鉴了 DeepSVDD 的损失函数，结合了 Neutral AD 的确定性对比损失，提高了在实际工业数据集中的性能表现。