BINet: Multi-perspective Business Process Anomaly Classification
Technische Universität Darmstadt（达姆施塔特工业大学）
在本文中，我们介绍BINet，一个神经网络架构的实时多角度异常检测业务流程事件日志。BINet设计用于处理业务流程的控制流和数据透视图。此外，我们提出了一套自动设置异常检测算法的阈值的算法。我们证明，BINet可以用来检测事件日志中的异常，不仅在一个案件的水平，但也对事件属性级别。最后，我们证明了一组简单的规则可以用来利用BINet的输出进行异常分类。我们将BINet与其他八种最先进的异常检测算法进行比较，并在29个合成和15个真实事件日志的精心制作的数据语料库上评估其性能。BINet在合成数据集和真实数据集上都优于所有其他方法。
2019-02-08 cs.AI
An Attention Free Conditional Autoencoder For Anomaly Detection in Cryptocurrencies
CREST-IP Paris（CREST-巴黎理工学院）；Université Paris Dauphine - PSL（巴黎多芬大学-PSL大学）
本文针对含噪加密货币时间序列异常检测，提出在条件自编码器中加入 Attention-Free LSTM 层的 AF-CA，相较 LSTM Autoencoder 提升了解释能力与异常检测效果。
2023-04-20 cs.AI cs.LG
Including Sparse Production Knowledge into Variational Autoencoders to Increase Anomaly Detection Reliability
Ostwestfalen-Lippe University of Applied Sciences（东威斯特伐利亚-利珀应用科学大学）；Phoenix Contact Electronics GmbH（菲尼克斯电气电子有限公司）
数字化为生产系统带来了数据透明性，我们可以通过神经网络等数据驱动的分析方法从中受益。例如，自动异常检测可以节省资源并优化生产。我们研究使用很少发生的信息标记的异常到变分自编码器神经网络结构，以克服信息赤字的监督和无监督的方法。该方法在准确度、精确度和召回率方面优于所有其他模型。我们评估了以下方法：主成分分析，隔离森林，分类神经网络和变分自编码器在七个时间序列数据集上找到最佳的检测方法。我们扩展这个想法，包括更不经常发生的Meta信息的生产过程。稀疏标签的这种使用（异常或生产数据两者）允许利用可用于提高异常检测性能的任何附加信息。
2021-06-22 cs.AI cs.LG
Real-Time Predictive Maintenance using Autoencoder Reconstruction and Anomaly Detection
Liverpool John Moores University（利物浦约翰摩尔斯大学）；Central Group（中央集团）
旋转机械故障检测系统已经过时，并且依赖于常规测试来发现故障。这是昂贵的，而且往往是被动的。实时的【形】监控提供了一种无需人工观察即可检测故障的解决方案。然而，阈值异常检测的人工解释通常是主观的，并且在工业专家之间变化。这种方法是脊状的，容易出现大量的误报。为了解决这个问题，我们提出了一个机器学习（ML）的方法来模拟正常的工作操作和检测异常。该方法从代表已知正常操作的信号中提取关键特征，以模拟机器行为并自动识别异常。ML学习泛化并基于故障严重性生成阈值。这为工程师提供了一个交通灯系统，绿色是正常的行为，琥珀色是令人担忧的，红色表示机器故障。这一规模使工程师能够在适当的时候采取早期干预措施。该方法进行评估窗口真实机器传感器数据，以观察正常和异常的行为。结果表明，可以在琥珀色范围内检测到异常，并在机器故障前发出警报。
2021-10-01 cs.AI cs.LG
TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data
Mercedes-Benz AG（梅赛德斯-奔驰集团）；Leiden University（莱顿大学）
针对汽车测试中人工评估受限、真实多变量时间序列数据复杂的问题，提出TeVAE模型，能基于无标签数据低误报检测异常、避免绕过现象、支持窗口重映射，在工业数据集上实现6%误报率与65%异常检出率，且小数据集适用但需复杂阈值估计。
2025-11-12 cs.AI cs.CE cs.LG
Radial Autoencoders for Enhanced Anomaly Detection
Haute Ecole de la Suisse Occidentale (HES-SO)（瑞士西部高等专业学院）；Netguardians SA（Netguardians股份公司）
在分类问题中，由于神经网络学习复杂模式的能力，监督机器学习方法优于传统算法。然而，在异常或欺诈检测等两类分类任务中，无监督方法可以做得更好，因为它们的预测不限于以前学习的异常类型。异常检测的直观方法可以基于距两个相应类别的质心的距离。自动编码器虽然在没有监督的情况下训练，但也可以检测异常：考虑到正常点的质心，重建现在有半径，最大的半径很可能表示异常点。当然，基于半径的分类已经可以在不插入自动编码器的情况下实现。在任何空间，径向分级都可以在一定程度上操作。为了超越它，我们继续进行数据的径向变形（即轴的中心压缩或扩展）和自动编码器训练。任何使用数据中心的自动编码器在这里都被称为中心自动编码器（cAE）。一种特殊的类型是使用统一压缩的数据集训练的cAE，称为向心自动编码器（cpAE）。新的概念在这里研究与示意性的人工数据集，和派生的方法表现出一致的分数改善。但是在真实的银行数据上进行测试，我们的径向变形监督算法仍然比cAE表现得更好，正如大多数监督方法所预期的那样;尽管如此，在混合方法中，cAE可以与空间的径向变形相结合，提高其分类得分。我们预计，中心自动编码器将成为基于几何的异常实时检测中不可替代的对象，这要归功于它们在几何算法上自然干的能力以及它们检测未知异常类型的原生能力。
2022-03-31 cs.AI cs.LG
Insider Detection using Deep Autoencoder and Variational Autoencoder Neural Networks
内部攻击是公司、企业和关键基础设施面临的最具挑战性的网络安全问题之一。尽管实施了周边防御，但这种攻击的风险仍然很高。事实上，内部攻击的检测是一项非常复杂的安全任务，对研究界提出了严峻的挑战。在本文中，我们的目标是通过使用深度学习算法Autoencoder和变分自编码器deep来解决这个问题。我们将特别研究应用这些算法自动防御潜在内部威胁的有用性，而无需人工干预。在公共数据集CERT数据集（CERT r4.2）上评估了这两个模型的有效性。此版本的CERT Insider Threat Test数据集包括从1000个模拟用户生成的良性和恶意活动。与其他模型的比较结果表明，变分自编码器神经网络具有更高的检测精度和合理的误报率，提供了最好的整体性能
2021-09-06 cs.AI cs.CR
Denoising Architecture for Unsupervised Anomaly Detection in Time-Series
Telekom Innovation Laboratories（电信创新实验室）；Eötvös Loránd University（厄特沃什·罗兰大学）
时间序列中的异常提供了从银行和航空航天到信息技术、安全和医学等一系列行业的关键场景的见解。然而，识别时间序列数据中的异常是特别具有挑战性的，因为异常的定义不精确，标签的频繁缺失，以及这些数据中存在的极其复杂的时间相关性。LSTM自动编码器是一种基于长短期记忆网络的异常检测编码器-解码器方案，它学习重构时间序列行为，然后使用重构错误来识别异常。我们引入去噪架构作为对LSTM编码器-解码器模型的补充，并研究其对现实世界以及人工生成的数据集的影响。我们证明了所提出的架构提高了准确性和训练速度，从而使LSTM Autoencoder在无监督异常检测任务中更有效。
2022-08-30 cs.AI cs.LG
Autoencoders for Anomaly Detection are Unreliable
Radboud University（拉德堡德大学）
本文证明自编码器在异常检测中基于重建损失的假设不成立，异常可被完美重建，线性与非线性自编码器均存在风险，对安全关键应用构成威胁。
2025-01-23 cs.AI cs.LG
A Real-time Anomaly Detection Using Convolutional Autoencoder with Dynamic Threshold
针对智能计量能耗数据中的异常影响序列估计的问题，提出结合统计学与带动态阈值卷积自编码器的实时表计级检测方法，实现异常早期预警。
2024-04-05 cs.AI cs.LG
GRASPED: Graph Anomaly Detection using Autoencoder with Spectral Encoder and Decoder (Full Version)
Fraunhofer Institute for Applied and Integrated Security (AISEC)（弗劳恩霍夫应用与集成安全研究所）；Technical University of Munich（慕尼黑技术大学）
GRASPED通过结合图小波卷积和维纳图反卷积，实现多尺度图异常检测，优于现有最先进模型。
2025-08-21 cs.AI cs.LG
Label Assisted Autoencoder for Anomaly Detection in Power Generation Plants
Rhodes University（罗德斯大学）；African Institute for Mathematical Sciences（非洲数学科学研究所）；Ghana Space Science and Technology Institute（加纳空间科学技术研究所）；Ghana Atomic Energy Commission（加纳原子能委员会）；University of Ngaoundéré（恩冈代雷大学）；University of Ferrara（费拉拉大学）
推动一个国家经济发展并保证其工业可持续性的关键因素之一是电力的持续供应。这通常由国家电网提供。然而，在包括电信业在内的公司不断涌现的发展中国家，电力供应仍然不稳定。因此，他们必须依靠发电机来保证其全部功能。这些发电机依靠燃料运转，如果没有适当的监测，消耗率通常很高。监控操作通常由（非专家）人员执行。在某些情况下，这可能是一个繁琐的过程，因为一些公司报告了夸大的高消费率。这项工作提出了一个标签辅助自动编码器的异常检测发电厂所消耗的燃料。除了自动编码器模型之外，我们还添加了一个标记辅助模块，用于检查观察是否被标记，该标签用于检查给定阈值的相应异常分类的准确性。然后就是否应该停止训练或是否应该更新阈值或训练是否应该继续搜索超参数达成共识。实验结果表明，该模型能够高效地读取异常，检测精度达到$97.20\%$，优于现有的$96.1\%$模型在相同数据集上训练的检测精度。此外，所提出的模型是能够分类的异常，根据其严重程度。
2023-02-06 cs.AI cs.LG
ODDObjects: A Framework for Multiclass Unsupervised Anomaly Detection on Masked Objects
University of British Columbia（不列颠哥伦比亚大学）
本文提出了一种新的框架，称为ODDObjects，它代表分布外检测对对象的屏蔽对象的无监督异常检测。ODDObjects旨在使用在COCO风格数据集上训练的无监督自动编码器来检测各种类别的异常。该方法利用基于自动编码器的图像重建，其中高重建误差指示异常的可能性。该框架扩展了先前使用自动编码器进行异常检测的工作，比较了在对象识别数据集上训练的最先进模型。比较了各种模型架构，实验结果表明，内存增强的深度卷积自动编码器在检测分布外对象方面表现最好。
2021-04-26 cs.AI cs.CV cs.LG
Sensing Anomalies as Potential Hazards: Datasets and Benchmarks
Dalle Molle Institute for Artificial Intelligence (IDSIA)（达勒·莫尔人工智能研究所（IDSIA））；USI-SUPSI（瑞士意大利语区大学-瑞士南部应用科学与艺术大学）；Hovering Solutions Ltd（Hovering Solutions有限公司）
我们考虑在自主移动机器人的视觉传感数据流中检测不寻常的语义模式（即，异常）相对于机器人在类似环境中的先前经验。这些异常可能指示不可预见的危险，并且在失败代价高昂的情况下，可以用于触发避免行为。我们贡献了三个新的基于图像的数据集在机器人探索的情况下，包括超过200k的标记帧，跨越各种类型的异常。在这些数据集上，我们研究了基于在不同尺度上操作的自动编码器的异常检测方法的性能。
2022-09-20 cs.AI cs.CV cs.RO
Towards Phytoplankton Parasite Detection Using Autoencoders
Lappeenranta-Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学（LUT））；Brno University of Technology（布尔诺理工大学）；Finnish Environment Institute（芬兰环境研究所）；University of Turku（图尔库大学）
针对浮游植物寄生虫检测，提出基于自编码器的无监督异常检测方法，在九种浮游植物上取得0.75的F1分数，并对比监督Faster R-CNN（0.86），强调无监督方法的通用性及无需标注异常数据的优势。
2023-08-17 cs.AI cs.CV
Graph Convolutional Networks for traffic anomaly
Vanderbilt University（范德堡大学）
事件检测一直是交通领域的一项重要任务，其任务是检测大事件中断大部分城市交通网络的时间点。地图服务供应商提供的出行信息{Origin-Destination}（OD）矩阵数据具有很大的潜力，可以让我们深入了解历史模式并区分异常情况。然而，充分捕捉空间和时间的流量模式仍然是一个挑战，但有效的异常检测的关键作用。同时，现有的异常检测方法并没有很好地解决OD矩阵数据集的极端稀疏和高维挑战。为了解决这些挑战，我们制定了一个新的方式，作为检测异常的一组有向加权图表示在每个时间间隔的交通状况的问题。我们进一步提出了\textit{Context augmented Graph Autoencoder}（\textbf{Con-GAE }），利用图嵌入和上下文嵌入技术来捕获空间交通网络模式，同时围绕数据稀疏和高维问题。Con-GAE采用自动编码器框架，并通过半监督学习检测异常。大量的实验表明，当应用于几个真实世界的大规模OD矩阵数据集时，我们的方法可以在最先进的异常检测基线上实现0.1-0.4的曲线下面积（AUC）分数的改善。
2020-12-25 cs.AI cs.LG
Applying Quantum Autoencoders for Time Series Anomaly Detection
Zurich University of Applied Sciences（苏黎世应用科技大学）
该研究将量子自编码器应用于时间序列异常检测，通过重构误差分析和潜在表示分析两种技术，在模拟和真实量子硬件上均验证了其相比经典深度学习自编码器参数量更少、训练迭代次数更少且性能更优的优势。
2024-10-09 cs.AI cs.ET cs.LG
P-WAE: Generalized Patch-Wasserstein Autoencoder for Anomaly Screening
异常检测在工业自动化和制造智能等众多现实场景中发挥着关键作用。近年来，基于变分推理的异常分析引起了研究人员和开发人员的关注。它旨在对无缺陷分布进行建模，以便将异常归类为分布外样本。然而，有两个令人不安的因素需要我们优先考虑：（i）简化的先验潜在分布导致有限的表达能力;（ii）强概率距离概念导致崩溃的特征。在本文中，我们提出了一种新的逐块Wasserstein自动编码器（P-WAE）架构，以减轻这些挑战。特别是，分块变分推理模型的设计与解决拼图，这是一个简单而有效的方式来增加潜在的流形的表达能力。这使得在高维实际数据上使用该模型成为可能。此外，我们利用一个较弱的措施，切片Wasserstein距离，实现重建保真度和广义表示之间的平衡。在MVTec AD数据集上进行的综合实验证明了我们所提出的方法的优越性能。
2022-03-09 cs.AI cs.CV
Can I trust my anomaly detection system? A case study based on explainable AI
University of Torino（都灵大学）；Rulex Innovation Labs（鲁莱克斯创新实验室）
本研究通过可解释AI方法评估基于变分自编码器的异常检测系统，发现样本常因错误或误导性因素被误判为异常，揭示了异常分数掩盖虚假特征的问题。
2024-07-29 cs.AI cs.LG
Minimal-Configuration Anomaly Detection for IIoT Sensors
Center for Digital Safety and Security Austrian Institute of Technology（奥地利科技学院数字安全与保障中心）；Distributed AI Systems Research Group Siemens Technology Austria（西门子奥地利技术公司分布式人工智能系统研究小组）
随着低成本物联网传感器平台在工业中的部署越来越多，对满足两个关键要求的异常检测解决方案的需求也越来越大：最小的配置工作和跨设备的轻松可移植性。深度学习的最新进展，特别是长短期记忆（LSTM）和自动编码器，为检测传感器数据记录中的异常提供了有前途的方法。我们使用简单的基准数据集比较了具有各种架构的自动编码器，例如深度神经网络（DNN），LSTM和卷积神经网络（CNN），该基准数据集是通过在各种操作条件下操作蠕动泵并手动诱导异常而生成的。我们的初步研究结果表明，一个单一的模型可以检测到异常的各种操作条件下的四维数据集，没有任何特定的功能工程的每个操作条件。我们认为这项工作是迈向通用异常检测方法的第一步，该方法适用于广泛的工业设备。
2021-10-08 cs.AI cs.LG eess.SP
Conditioning Latent-Space Clusters for Real-World Anomaly Classification
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对自动驾驶异常检测问题，提出基于变分自编码器潜在空间条件化的方法，通过引入差异图作为额外输入，将正常数据与异常分离为孤立聚类，同时保持高质量图像重建。
2023-09-18 cs.AI cs.CV cs.RO
MA-VAE: Multi-head Attention-based Variational Autoencoder Approach for Anomaly Detection in Multivariate Time-series Applied to Automotive Endurance Powertrain Testing
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Leiden University（莱顿大学）
本文提出基于多头注意力的变分自编码器MA-VAE，用于汽车动力总成测试的多变量时间序列异常检测，在无标签数据上训练即可实现低假阳性率并检测多数异常，同时解决旁路现象并实现窗口到连续时间序列的映射。
2024-09-19 cs.AI cs.LG cs.SY
Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction
School of Aerospace, Transport and Manufacturing, Cranfield University（克兰菲尔德大学航空航天、运输与制造学院）；Spire Global, Inc.（Spire全球公司）
本研究提出基于深度自编码器的两种无监督异常检测方法用于野火预测，利用澳大利亚2005-2021年气象数据，发现全连接自编码器在无标签情况下表现最佳，准确率达0.71。
2024-11-14 cs.AI cs.LG
Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs
Lane Department of Computer Science and Electrical Engineering, West Virginia University（计算机科学与电气工程系，西弗吉尼亚大学）
尽管深度学习模型在分析网络物理事件下的系统条件方面取得了不懈的进展，但由于数据可用性问题、数据采集成本以及缺乏对训练窗口之外的数据的解释和外推，它们在电力系统领域的能力有限。此外，分布式能源（DER），如风能和太阳能发电的集成增加了电力系统的复杂性和非线性。因此，迫切需要一种可解释的和可靠的方法来增加电力系统运营商的信心和他们的态势感知，以做出可靠的决策。这导致了物理信息神经网络（PINN）模型的发展，使其成为更可解释，更可靠和更强大的模型，其中基本的原则性定律被集成到神经网络模型的训练过程中，以实现更好的性能。本文提出了一种多变量物理信息卷积自动编码器（PIConvAE）模型，用于检测具有不平衡配置和高DER渗透率的配电系统中的网络异常。物理定律通过定制的损失函数集成，该函数将基础基尔霍夫电路定律嵌入自动编码器的训练过程中。在两个不平衡的配电网，IEEE 123总线系统和真实世界的馈线在河滨，CA的多变量PIConvAE模型的性能进行评估。结果表明，所提出的方法在检测两个系统中的各种网络异常的特殊性能。此外，该模型的有效性进行了评估，在数据稀缺的情况下，不同的训练数据比率。最后，将该模型的性能与现有的机器学习模型进行比较，其中PIConvAE模型以相当高的检测指标超过其他模型。
2024-06-05 cs.AI cs.LG cs.SY
Drift-Aware Variational Autoencoder-based Anomaly Detection with Two-level Ensembling
KIOS Research and Innovation Center of Excellence（基奥斯研究与创新中心）；University of Cyprus（塞浦路斯大学）；Department of Electrical and Computer Engineering（电气与计算机工程系）
本文提出VAE++ESDD方法，通过增量学习和双层集成，有效应对概念漂移问题，提升异常检测性能。
2026-02-13 cs.AI cs.LG
The role of data embedding in quantum autoencoders for improved anomaly detection
Thomas Jefferson National Accelerator Facility（托马斯·杰斐逊国家加速器设施）；Institute for Particle Physics Phenomenology（粒子物理学现象研究所）；Durham University（达勒姆大学）
研究探讨了三种数据嵌入技术对量子自编码器异常检测性能的影响，发现改进的嵌入策略能显著提升检测准确性和数据表征能力。
2024-09-06 cs.AI cs.LG physics.data-an
No Scale Left Behind: Multi-Scale Autoencoder with Bi-directional Attention for Time Series Anomaly Detection
提出MSCAD，一种基于并行自编码器分支和双向跨尺度注意力的半监督时间序列异常检测框架，在TSB-AD基准上显著超越现有方法。
2026-09-30 cs.AI cs.LG
CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection
Carnegie Mellon University（卡内基梅隆大学）
CurvGAD 提出混合曲率图自编码器，通过曲率等变几何重建和曲率不变结构与属性重建两条并行流水线，利用网络内在曲率识别几何异常并解耦非几何异常，在 10 个真实数据集上相比最先进 GAD 方法提升最高 6.5%。
2025-06-04 cs.AI cs.LG
Anomaly Detection using Autoencoders in High Performance Computing Systems
University of Bologna（博洛尼亚大学）；ETHZ（苏黎世联邦理工学院）
由于超级计算机系统规模大、部件多，异常检测是一个非常困难的问题。用于自动异常检测的现有技术以监督的方式采用机器学习方法或统计回归模型，这意味着检测工具被训练为在一组固定的行为类别（健康和不健康状态）之间进行区分。我们提出了一种基于机器（深度）学习技术的高性能计算系统异常检测的新方法，即一种称为自动编码器的神经网络。其关键思想是训练一组自动编码器来学习超级计算机节点的正常（健康）行为，并在训练后使用它们来识别异常情况。这与以前的方法不同，以前的方法是基于学习异常情况的，对于这些异常情况，数据集要小得多（因为很难从一开始就识别它们）。我们在一个真正的超级计算机上测试我们的方法，该超级计算机配备了一个细粒度的、可扩展的监控基础设施，可以提供大量的数据来表征系统行为。结果非常有希望：在学习正常系统行为的训练阶段之后，我们的方法能够以非常高的准确性（值范围在88%到96%之间）检测到以前从未见过的异常。
2018-11-13 cs.AI cs.LG
adVAE: A self-adversarial variational autoencoder with Gaussian anomaly prior knowledge for anomaly detection
Shanghai Jiao Tong University（上海交通大学）；Wuhan University（武汉大学）；University of California, Davis（加州大学戴维斯分校）
最近，深度生成模型在无监督异常检测中越来越受欢迎。然而，深度生成模型旨在恢复数据分布，而不是检测异常。此外，深度生成模型存在过度拟合训练样本的风险，这对异常检测性能产生了灾难性的影响。为了解决上述两个问题，我们提出了一个自对抗的变分自编码器与高斯异常的先验假设。我们假设异常和正常的先验分布都是高斯分布，并且在潜在空间中有重叠。因此，训练高斯Transformer网络T以合成异常但接近正常的潜变量。在保持变分自编码器原有训练目标的基础上，生成器G尝试区分正常潜变量和T合成的异常潜变量，而编码器E则被训练来区分G的输出是否为实数。我们添加的这些新目标不仅使G和E具有区分能力，而且还引入了额外的正则化以防止过拟合。与SOTA基线相比，该模型在大量的实验中取得了显着的改善。数据集和我们的模型可以在Github存储库中找到。
2019-11-14 cs.AI cs.LG stat.ML
TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations
本文提出基于重建的异常检测方法，通过2D和3D自编码器在集成和时间依赖模拟中识别异常模式，强调时空上下文对动态模拟异常检测的重要性。
2026-01-13 cs.AI cs.CV cs.LG
FMM-Head: Enhancing Autoencoder-based ECG anomaly detection with prior knowledge
KTH Royal Institute of Technology（KTH皇家理工学院）；Karolinska Institutet（卡罗林斯卡学院）
针对现有自动编码器心电图异常检测模型未考虑导联模式、不可解释的问题，提出基于心电图形态先验的FMM-Head重建头替换解码器，在AUROC最高提升0.31、模型减半的同时实现可解释与实时处理。
2023-10-06 cs.AI cs.LG eess.SP
Image-Based Detection of Modifications in Gas Pump PCBs with Deep Convolutional Autoencoders
Federal University of Technology - Parana（巴拉那联邦理工大学）；University of Münster（明斯特大学）
在本文中，我们介绍了一种方法，用于检测组装的印刷电路板的基础上，没有严格控制的角度和照明条件下拍摄的照片修改。这一问题的一个例子是对气泵多氯联苯的目视检查，这可能会被希望欺骗消费者或逃税的欺诈者修改。鉴于不受控制的环境和大量的可能的修改，我们解决这个问题的异常检测的情况下，提出了一种方法，是针对该方案的特点，同时非常适合于其他类似的应用程序。所提出的方法采用了一种深度卷积自动编码器，该编码器经过训练可以重建未修改的电路板的图像，但对于显示修改的图像仍然无法做到这一点。通过将输入图像与其重建图像进行比较，可以以像素方式分割异常和修改。在为代表真实世界情况而构建的数据集上进行的实验（我们将公开提供）表明，我们的方法在所考虑的场景中优于其他最先进的异常分割方法，同时在流行的MVTec-AD数据集上产生类似的结果，用于更一般的对象异常检测任务。
2022-10-07 cs.AI cs.CV cs.LG
ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection
Institute of Information Engineering, CAS（中国科学院信息工程研究所）
针对图异常检测中异常过拟合与同质性陷阱问题，提出ADA-GAD两阶段框架，通过异常去噪增强预训练捕获正常模式，并利用节点异常分布正则化提升检测性能。
2023-12-22 cs.AI cs.LG cs.SI
