Estimating the Contamination Factor's Distribution in Unsupervised Anomaly Detection
KU Leuven（鲁汶大学）；University of Stuttgart（斯图加特大学）；University of Helsinki（赫尔辛基大学）
本文从贝叶斯视角提出一种估计无监督异常检测中污染因子后验分布的方法，利用多个检测器输出和混合公式，在22个数据集上验证了其校准性和性能提升。
2023-10-17 cs.LG stat.ML
Anomaly Detection with Inexact Labels
NTT Communication Science Laboratories（NTT通信科学实验室）；NTT Software Innovation Center（NTT软件创新中心）
我们提出了一种监督异常检测方法的数据与不准确的异常标签，其中每个标签，这是分配给一组实例，表明至少有一个实例中的集合是异常的。虽然已经提出了许多异常检测方法，但它们不能处理不精确的异常标记。为了测量不精确异常标签的性能，我们定义了不精确AUC，这是我们对不精确标签的ROC曲线下面积（AUC）的扩展。所提出的方法训练异常得分函数，使得不精确AUC的平滑近似增加，而非异常实例的异常分数变低。我们通过基于神经网络的无监督异常检测方法对异常得分函数进行建模，例如，自动编码器。所提出的方法执行良好，即使只有少量的不精确的标签是通过将一个无监督的异常检测机制与不精确的AUC最大化。使用各种数据集，我们的实验证明，我们提出的方法提高了异常检测性能与不准确的异常标签，并优于现有的无监督和监督异常检测和多实例学习方法。
2019-09-11 cs.LG stat.ML
Graph Regularized Autoencoder and its Application in Unsupervised Anomaly Detection
Texas A&M University（德克萨斯农工大学）；BAE Systems, Inc.（BAE系统公司）
对于包括异常检测和聚类在内的许多无监督学习任务来说，先验性降低是至关重要的第一步。自动编码器是一种流行的降维机制。为了对嵌入非线性低维流形的高维数据进行有效的降维，需要使用某种测地距离度量来区分数据样本。受测地线距离近似器（如ISOMAP）的成功启发，我们提出使用最小生成树（MST），一种基于图的算法，来近似局部邻域结构并生成数据点之间的结构保持距离。我们使用这种基于MST的距离度量来取代自编码器嵌入函数中的欧氏距离度量，并开发了一种新的图形正则化自编码器，该编码器在20个基准异常检测数据集上优于各种替代方法。我们进一步将MST正则化器纳入两个生成对抗网络，并发现使用MST正则化器大大提高了两个生成对抗网络的异常检测性能。我们还在聚类应用程序中的两个数据集上测试了我们的MST正则化自动编码器，并见证了其卓越的性能。
2021-03-11 cs.LG stat.ML
Deep Unsupervised Image Anomaly Detection: An Information Theoretic Framework
Shanghai Jiao Tong University（上海交通大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
代理任务为基础的方法，最近显示出很大的希望，无监督的图像异常检测。然而，不能保证代理任务与异常检测共享一致的优化方向。在本文中，我们回到一个直接的目标函数异常检测与信息论，最大限度地提高正常和异常数据之间的距离的联合分布的图像和他们的代表。不幸的是，这个目标函数在训练期间没有提供异常数据的无监督设置下不能直接优化。通过对上述目标函数的数学分析，我们将其分解为四个部分。为了在无监督的方式进行优化，我们表明，在正常和异常数据的分布在潜在空间中是可分离的假设下，其下限可以被认为是一个函数的权重之间的权衡互信息和熵。该目标函数能够解释基于代理任务的异常检测方法的有效性，并进一步指出了潜在的改进方向。基于这个目标函数，我们引入了一个新的信息理论框架的无监督图像异常检测。大量的实验表明，所提出的框架显着优于几个国家的最先进的多个基准数据集。
2020-12-09 cs.CV cs.LG stat.ML
Explainable Contextual Anomaly Detection using Quantile Regression Forests
Leiden University（莱顿大学）
本文提出一种基于 Quantile Regression Forests 的内在可解释上下文异常检测方法，通过建模特征间依赖关系，在准确性与可解释性上优于现有方法。
2023-08-04 cs.AI cs.LG
Dealing with Uncertainty in Contextual Anomaly Detection
AI Lab, Department of Information Engineering University of Florence（人工智能实验室，信息工程系，佛罗伦萨大学）；DTAI Research Unit, Department of Computer Science & Leuven.AI KU Leuven（DTAI研究单位，计算机科学系及Leuven.AI，根特大学）；Cardiology Service CMSR Veneto Medica, Italy（心脏科服务CMSR威尼斯医疗集团，意大利）
本文提出了一种基于异方差高斯过程回归的正常性分数框架，用于在上下文异常检测中建模和处理aleatoric和epistemic不确定性，以提高检测准确性和可解释性。
2026-01-28 cs.AI cs.LG stat.ML
Manifolds for Unsupervised Visual Anomaly Detection
Augustus Intelligence（奥古斯都智能公司）
根据定义，异常是罕见的，因此标记的示例非常有限或不存在，并且可能不包括不可预见的场景。无监督学习方法在训练中不一定会遇到异常，这将是非常有用的。生成视觉模型在这方面可能是有用的，但不足以表示正常和异常的数据分布。为此，我们提出了常曲率流形嵌入数据分布在无监督的视觉异常检测。通过理论和经验探索的流形形状，我们开发了一种新的超球面变分自动编码器（VAE）通过赤平投影与gyroplane层-一个完全等效的庞加莱VAE。这种具有流形投影的方法在模型泛化方面是有益的，并且可以产生更多可解释的表示。我们展示了精密制造和检测中视觉异常基准的最新结果，展示了工业人工智能场景中的现实效用。我们进一步展示了组织病理学这一具有挑战性问题的方法：我们的无监督方法有效地从嘈杂的全切片图像中检测出癌性脑组织，学习组织类型的平滑、潜在组织，为医疗专业人员提供了一个可解释的决策工具。
2020-06-19 cs.CV cs.LG stat.ML
Unsupervised Anomaly Detection in NSL-KDD Using $β$-VAE: A Latent Space and Reconstruction Error Approach
Université de Reims Champagne-Ardenne（兰斯香槟-阿登大学）；Seckiot
本文提出基于β-VAE的无监督异常检测方法，通过潜在空间结构和重构误差在NSL-KDD数据集上验证了其在网络流量异常检测中的有效性。
2026-02-23 cs.LG cs.NE stat.ML
Clustering and Unsupervised Anomaly Detection with L2 Normalized Deep Auto-Encoder Representations
Nokia Technologies（诺基亚技术）
聚类对于模式识别和计算机视觉中的许多任务都是必不可少的。随着深度学习的出现，人们对学习用于聚类分析的深度无监督表示越来越感兴趣。这个领域的许多作品依赖于自动编码器的变体，并使用编码器输出作为聚类的表示/特征。在本文中，我们证明了在自动编码器训练期间对这些表示的l2归一化约束，使得训练后的表示在欧几里得空间中更加可分离和紧凑。这大大提高了聚类的准确性时，k均值聚类的表示。我们还提出了一种基于聚类的无监督异常检测方法，使用l2归一化深度自动编码器表示。我们显示了l2归一化对异常检测精度的影响。我们进一步表明，所提出的异常检测方法大大提高了准确性相比，以前提出的深层方法，如基于重建误差的异常检测。
2018-02-01 cs.LG
Context-Aware Trajectory Anomaly Detection
University of Minnesota, Twin Cities（明尼苏达大学双城分校）
针对轨迹异常检测缺乏智能体与地理上下文的问题，提出由智能体 ID 和 POI 嵌入引导的上下文感知轨迹重建方法，并在两个城市验证其显著优于现有方法。
2024-10-24 cs.LG
Topological Data Analysis for Unsupervised Anomaly Detection and Customer Segmentation on Banking Data
IMTF
本文将拓扑数据分析（TDA）的Mapper算法和持久同调应用于银行数据，开发无监督流程实现异常检测与客户细分，结合拓扑数学与行业用例提供可操作见解。
2025-08-19 cs.CG cs.LG
Robust Subspace Recovery Layer for Unsupervised Anomaly Detection
University of Minnesota（明尼苏达大学）
我们提出了一个神经网络的无监督异常检测与一个新的强大的子空间恢复层（RSR层）。该层试图从给定数据的潜在表示中提取底层子空间，并删除远离该子空间的离群值。它在自动编码器中使用。编码器将数据映射到潜在空间中，RSR层从潜在空间中提取子空间。解码器然后平滑地将底层子空间映射回接近原始内点的“流形”。根据原始位置和映射位置之间的距离区分内点和离群点（内点小，离群点大）。使用图像和文档数据集进行的大量数值实验证明了最先进的精确度和召回率。
2019-12-24 cs.CV cs.LG stat.ML
Quorum: Zero-Training Unsupervised Anomaly Detection using Quantum Autoencoders
Rice University（莱斯大学）；Stanford University（斯坦福大学）
针对量子机器学习模型训练困难及异常检测需无监督方法的问题，提出首个无需训练的无监督量子异常检测框架Quorum，利用量子计算解决多行业关键异常检测挑战。
2025-04-17 cs.ET cs.LG
Impact of Inaccurate Contamination Ratio on Robust Unsupervised Anomaly Detection
University of Sherbrooke（谢尔布鲁克大学）；University of Kinshasa（金沙萨大学）
本研究针对无监督异常检测中污染率常不准确的问题，探究其对鲁棒无监督异常检测模型的影响，经6个基准数据集验证，模型不受错误污染率的不利影响，甚至性能可能提升。
2024-08-14 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
RUAD: unsupervised anomaly detection in HPC systems
University of Bologna（博洛尼亚大学）；CINECA consorzio interuniversitario（CINECA大学间联盟）；ETH（苏黎世联邦理工学院）
现代高性能计算（HPC）系统的复杂性日益增加，需要引入自动化和数据驱动的方法来支持系统管理员提高系统可用性的努力。异常检测是提高可用性的一个组成部分，因为它减轻了系统管理员的负担，并减少了异常和解决异常之间的时间。然而，目前最先进的异常检测方法是监督和半监督的，因此它们需要人工标记的异常数据集-这通常在生产HPC系统中收集是不切实际的。基于聚类的无监督异常检测方法旨在减轻对准确异常数据的需求，迄今为止表现不佳。在这项工作中，我们克服了这些限制，提出了RUAD，一种新的循环无监督异常检测模型。RUAD比当前的半监督和无监督SoA方法取得了更好的结果。这通过考虑数据中的时间依赖性并在模型架构中包括长短期记忆单元来实现。所提出的方法进行了评估，一个完整的十个月的历史的Tier-0系统（Marconi 100从CINECA与980个节点）。RUAD在半监督训练中实现了0.763的曲线下面积（AUC），在无监督训练中实现了0.767的AUC，这改进了SoA方法，在半监督训练中实现了0.747的AUC，在无监督训练中实现了0.734的AUC。它还大大优于当前基于聚类的SoA无监督异常检测方法，实现了0.548的AUC。
2022-08-28 cs.AI cs.LG
Towards Unsupervised Validation of Anomaly-Detection Models
Harvard University（哈佛大学）；Texas A&M University（德克萨斯农工大学）
本文受现实协作决策机制启发，提出一种新的无监督异常检测模型验证范式，在模型选择与模型评估两项任务上通过大量实验证明了其准确性和稳健性。
2024-10-18 cs.AI cs.LG
Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA（弗劳恩霍夫研究所）
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法，通过加权物理信息损失学习物理依赖的时间分布，实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
Unsupervised and Semi-supervised Anomaly Detection with LSTM Neural Networks
Bilkent University（比尔肯特大学）
我们研究了无监督框架中的异常检测，并介绍了基于长短期记忆（LSTM）神经网络的算法。特别是，给定可变长度的数据序列，我们首先将这些序列通过基于LSTM的结构，并获得固定长度的序列。然后，我们找到一个决策函数，我们的异常检测器的基础上一类支持向量机（OC-SVM）和支持向量数据描述（SVDD）算法。作为文献中的第一次，我们使用基于高效梯度和二次规划的训练方法联合训练和优化LSTM架构和OC-SVM（或SVDD）算法的参数。为了应用基于梯度的训练方法，我们修改了OC-SVM和SVDD算法的原始目标标准，其中我们证明了修改后的目标标准的收敛性。我们还提供了我们的无监督制定的半监督和全监督框架的扩展。因此，我们得到的异常检测算法，可以处理可变长度的数据序列，同时提供高性能，特别是时间序列数据。我们的方法是通用的，因此我们也将这种方法应用于门控递归单元（GRU）架构，直接将基于LSTM的结构替换为基于GRU的结构。在我们的实验中，我们说明了我们的算法相对于传统方法实现的显着性能提升。
2017-10-25 cs.LG eess.SP stat.ML
TaskBridge: Bridging Unsupervised Tabular Anomaly Detection and In-Context Learning via Virtual Tasks
Seoul National University（首尔大学）；KAIST（韩国科学技术院）；Nums AI Inc.（Nums AI 公司）
TaskBridge通过构建虚拟监督任务，将无监督表格异常检测重构为上下文学习，无需异常预训练，在790个数据集上超越30个基线。
2026-09-30 cs.LG
Unsupervised Anomaly Detection in Multivariate Time Series across Heterogeneous Domains
Ecole Polytechnique（巴黎综合理工学院）
针对AIOps场景中多元时间序列正常行为域偏移问题，提出基于域泛化的DIVAD方法学习域不变表示，在Exathlon等基准上F1分数显著提升。
2025-03-29 cs.LG
AD-MERCS: Modeling Normality and Abnormality in Unsupervised Anomaly Detection
KU Leuven（鲁汶大学）；Leuven.AI - KU Leuven Institute for AI（鲁汶AI——鲁汶大学人工智能研究所）
本文提出无监督异常检测方法 AD-MERCS，通过同时识别实例空间中正常行为的模式子空间与表征异常偏离的条件，实现对正常与异常的双重建模，在多种异常类型上表现优异并提供可解释性。
2023-05-22 cs.LG
Contextual and Seasonal LSTMs for Time Series Anomaly Detection
Zhejiang University（浙江大学）；Huawei Technologies（华为技术有限公司）；Zhejiang Key Laboratory of Decision Intelligence（浙江省决策智能重点实验室）
本文提出CS-LSTMs框架，通过结合上下文依赖和季节性模式，提升时间序列中细微异常的检测能力，并在基准数据集上验证了其有效性。
2026-02-10 cs.LG
Unsupervised Anomaly Detection in ALS EPICS Event Logs
本文为ALS的EPICS控制系统提出一种无监督异常检测框架，通过语义嵌入和序列感知神经网络对实时事件日志进行异常评分，帮助操作员快速识别系统故障前的关键事件序列。
2025-09-17 cs.LG
Image-based Plant Disease Diagnosis with Unsupervised Anomaly Detection Based on Reconstructability of Colors
Kyushu Institute of Technology（九州工业大学）
本文提出了一种基于图像的植物病害诊断的无监督异常检测技术。构建包含健康和患病作物植物的标记图像的大型且公开可用的数据集导致对用于自动植物疾病诊断的计算机视觉技术的兴趣日益增长。虽然基于深度学习的监督图像分类器可以成为植物疾病诊断的强大工具，但它们需要大量的标记数据。异常检测的数据采掘技术包括不需要稀有样本来训练分类器的无监督方法。我们提出了一种基于颜色可重构性的无监督异常检测技术，用于基于图像的植物疾病诊断;训练用于重建\textit{healthy}植物图像颜色的深度编码器-解码器网络应该无法重建症状区域的颜色。我们提出的方法包括一个新的基于图像的植物病害检测框架，该框架利用了一个名为pix 2 pix的条件对抗网络和一个基于CIEDE 2000色差的新异常评分。与PlantVillage数据集的实验表明，我们提出的方法相比，现有的异常检测器在识别病害作物图像的准确性，可解释性和计算效率方面的优越性。
2021-09-08 cs.CV cs.LG
Wisdom of the Contexts: Active Ensemble Learning for Contextual Anomaly Detection
Center for Applied Intelligent Systems Research (CAISR)（应用智能系统研究中心）；Halmstad University（哈尔姆斯塔德大学）
在上下文异常检测中，对象仅在特定上下文内被认为是异常的。大多数现有的CAD方法使用基于一组用户指定的上下文特征的单个上下文。然而，识别正确的上下文在实践中可能非常具有挑战性，特别是在具有大量属性的数据集中。此外，在现实世界的系统中，可能有多个异常发生在不同的上下文中，因此，需要结合几个“有用”的上下文来揭示它们。在这项工作中，我们利用主动学习和合奏，有效地检测复杂的上下文异常的情况下，真正的上下文和行为属性是未知的。我们提出了一种新的方法，称为WisCon（智慧的上下文），自动创建上下文的功能集。我们的方法构建了一个多个上下文的集合，具有不同的重要性分数，基于这样的假设，即不是所有有用的上下文都是一样的。实验表明，WisCon在不同类别（即，主动分类器、无监督上下文和非上下文异常检测器以及监督分类器）。此外，研究结果支持了我们最初的假设，即没有一个完美的上下文，成功地揭示了所有类型的上下文异常，并利用多种上下文的“智慧”是必要的。
2022-10-04 cs.AI cs.LG
Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector
Norwegian University of Science and Technology（挪威科技大学）
本文提出UoCAD-OH框架，通过离线优化Bi-LSTM的超参数并在在线阶段检测异常，在两个智能家居空气质量数据集上验证了优化超参数对无监督上下文异常检测性能的提升。
2025-01-25 cs.AI cs.LG
Unsupervised Anomaly Detection in Time-series: An Extensive Evaluation and Analysis of State-of-the-art Methods
University of Luxembourg（卢森堡大学）；National School of Computer Science, University of Manouba（马努巴大学国立计算机科学学院）
本文对近期时间序列无监督异常检测方法进行深入评估，在标准指标之外引入时间序列专用指标、模型大小与稳定性分析及异常类型分析，并遵循统一实验协议，以评估方法成熟度和现实适用性。
2024-08-12 cs.LG
Anomaly Detection in Predictive Maintenance: A New Evaluation Framework for Temporal Unsupervised Anomaly Detection Algorithms
University of Granada（格拉纳达大学）；ArcelorMittal Global R&D（安赛乐米塔尔全球研发中心）
异常检测的研究缺乏一个统一的定义，什么代表一个异常的实例。异常本身性质的离散性导致算法设计和实验的多种范式。预测性维护是一种特殊情况，其中异常表示必须防止的故障。相关的时间序列研究，如离群值和新颖性检测或时间序列分类不适用于这一领域的异常概念，因为它们不是以前没有见过的单一点，可能无法精确注释。此外，由于缺乏注释的异常数据，许多基准是从监督的情况下改编的。为了解决这些问题，我们概括的概念，积极和消极的情况下，以间隔能够评估无监督的异常检测算法。我们还保留了不平衡计划的评估，通过建议的前窗ROC，一个概括的ROC曲线的计算时间序列的情况。我们还适应机制，从一个既定的时间序列异常检测基准建议的概括，以奖励早期检测。因此，该提案为不同的设想方案提供了一个灵活的评价框架。为了证明这个定义的有用性，我们包括了一个由ArcelorMittal公司提供的大数据算法与现实世界时间序列问题的案例研究，并将该建议与评估方法进行了比较。
2021-09-02 cs.LG
Unsupervised Surrogate Anomaly Detection
Department of Computer Science TU Dortmund University（计算机科学系多特蒙德大学）
本文提出代理异常检测方法论，将其形式化为最优代理模型公理并设计DEAN算法，在121个基准数据集上与19种现有方法相比表现出竞争性能，验证了可扩展性和可靠性。
2025-04-29 cs.AI cs.LG
Neural Contextual Anomaly Detection for Time Series
University of Oxford（牛津大学）；AWS AI Labs（AWS人工智能实验室）
我们介绍了神经上下文异常检测（NCAD），这是一个用于时间序列异常检测的框架，可以从无监督到有监督的设置无缝扩展，并且适用于单变量和多变量时间序列。这是通过有效地结合多元时间序列的表示学习的最新发展，与最初为计算机视觉开发的深度异常检测技术，我们定制的时间序列设置。我们的基于窗口的方法有利于学习正常和异常类之间的边界注入通用合成异常到可用的数据。此外，我们的方法可以有效地利用所有可用的信息，无论是作为领域知识，还是作为半监督设置中的训练标签。我们在标准基准数据集上实证证明，我们的方法在这些设置中获得了最先进的性能。
2021-07-16 cs.AI cs.LG
Context-Aware Graph Attention for Unsupervised Telco Anomaly Detection
Telenor Research and Innovation（Telenor研究与创新）；Norwegian Research Council（挪威研究理事会）；Telenor Denmark OSS & Tech Analytics Denmark（Telenor丹麦OSS与技术分析丹麦）；Norwegian University of Science and Technology (NTNU)（挪威科学与技术大学（NTNU））；SINTEF Digital（SINTEF数字技术）；Hance
本文提出C-MTAD-GAT模型，结合图注意力与轻量上下文嵌入，通过确定性重建头和多步预测器生成异常分数，无需标签校准阈值，在公开TELCO数据集上优于现有基线方法。
2026-04-29 cs.LG
Normality-Calibrated Autoencoder for Unsupervised Anomaly Detection on Data Contamination
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Harvard University（哈佛大学）
在本文中，我们提出了正常校准自动编码器（NCAE），它可以提高异常检测性能的污染数据集没有任何先验信息或显式异常样本在训练阶段。NCAE从具有低熵的潜在空间逆向生成高置信度的正常样本，并利用它们来预测训练数据集中的异常样本。NCAE经过培训，以最大限度地减少未污染样品中的重建误差，并最大限度地增加污染样品中的重建误差。实验结果表明，我们的方法优于浅层，混合和深层的方法进行无监督异常检测，并实现与半监督方法相比，在训练阶段使用标记的异常样本的性能。源代码可在`https：//github.com/andreYoo/NCAE_UAD.git '上公开获取。
2021-10-28 cs.AI cs.LG
NK-GAD: Neighbor Knowledge-Enhanced Unsupervised Graph Anomaly Detection
College of Intelligence and Computing, Tianjin University, Tianjin, China（智能与计算学院，天津大学，天津，中国）；School of New Media and Communication, Tianjin University, Tianjin, China（新媒体与传播学院，天津大学，天津，中国）
针对图数据中属性异质性问题，提出NK-GAD框架，通过联合编码器、邻居重建模块和双解码器提升异常检测性能，实验显示在七大数据集上平均AUC提升3.29%。
2026-04-17 cs.LG
Ymir: A Supervised Ensemble Framework for Multivariate Time Series Anomaly Detection
本文提出了一个多变量时间序列异常检测框架Ymir，它利用集成学习和监督学习技术有效地学习和适应真实世界系统应用中的异常。Ymir通过集成学习方法集成了目前广泛使用的几种无监督异常检测模型，从而可以在无监督场景下提供鲁棒的前端异常检测结果。在有监督的环境中，领域专家和系统用户讨论并提供训练数据的标签（异常或不异常），这反映了他们对特定系统的异常检测标准。Ymir使用上述无监督方法从原始多变量时间序列数据中提取丰富而有用的特征表示，然后将特征和标签与监督分类器相结合来进行异常检测。我们在来自大型监测系统的内部多变量时间序列数据集上评估了Ymir，并获得了良好的异常检测性能。
2021-12-09 cs.LG
Deep Autoencoding GMM-based Unsupervised Anomaly Detection in Acoustic Signals and its Hyper-parameter Optimization
Hitachi, Ltd.（日立株式会社）
工厂机械的故障或故障可能会给公司带来高昂的成本，因此对自动机器检测的需求越来越大。现有的基于声信号的无监督异常检测方法，例如使用深度自动编码器（DA）或高斯混合模型（GMM）的方法，异常检测性能较差。在这项工作中，我们提出了一种基于超参数优化的深度自动编码高斯混合模型（DAGMM-HO）的新方法。在我们的方法中，DAGMM-HO首次将传统的DAGMM应用于音频域，其思想是其在降维和统计建模方面的总体优化将提高异常检测性能。此外，DAGMM-HO通过基于间隙统计和累积特征值执行超参数优化来解决常规DAGMM的超参数敏感性问题。我们的评估所提出的方法与工业风扇的实验数据表明，它显着优于以前的方法，并实现了高达20%的改进的基础上的标准AUC得分。
2020-09-25 cs.LG cs.SD eess.AS
Anomaly Detection in Bitcoin Network Using Unsupervised Learning Methods
异常检测问题已经被研究了很长时间。简而言之，异常是不正常或不太可能的事情。在金融网络中，小偷和非法活动往往是反常的。网络成员希望尽快检测到异常，以防止它们损害网络的社区和完整性。许多机器学习技术已经被提出来处理这个问题，一些结果似乎是相当有前途的，但没有明显的优越的方法。在本文中，我们认为异常检测特定的比特币交易网络。我们的目标是检测哪些用户和交易是最可疑的;在这种情况下，异常行为是可疑行为的代理。为此，我们使用三种无监督学习方法，包括k-means聚类，Mahalanobis距离和无监督支持向量机（SVM）在比特币交易网络生成的两个图上：一个图以用户为节点，另一个图以交易为节点。
2017-02-25 cs.CR cs.LG
Unsupervised Anomaly Detection in Stream Data with Online Evolving Spiking Neural Networks
Warsaw University of Technology（华沙理工大学）；TECNALIA（泰克纳利亚）；University of the Basque Country (UPV/EHU)（巴斯克大学(UPV/EHU)）
流数据中的无监督异常发现是一个具有实际应用价值的研究课题。然而，在许多情况下，不容易收集具有标记的异常的足够训练数据用于异常检测器的监督学习，以便稍后部署它来识别流数据中的真实异常。因此，重要的是设计能够在不访问标记的训练数据的情况下正确地检测异常的异常检测器。我们的想法是适应在线进化脉冲神经网络（OeSNN）分类器的异常检测任务。因此，我们提供了一个在线进化的脉冲神经网络的无监督异常检测算法（OeSNN-UAD），它，不像OeSNN，工作在一个无监督的方式，不分离输出神经元到不相交的决策类。OeSNN-UAD使用我们提出的新的两步异常检测方法。此外，我们推导出OeSNN的神经元模型和输入层编码的新的理论性质，这使得我们的OeSNN-UAD方法能够更有效地检测异常。所提出的OeSNN-UAD检测器与Numenta Anomaly Benchmark和Yahoo Anomaly Datasets存储库中的流数据中的异常的最先进的无监督和半监督检测器进行了实验比较。我们的方法优于文献中提供的其他解决方案的情况下，从Numenta异常基准存储库的数据流。此外，在雅虎异常基准存储库的真实数据文件的情况下，OeSNN-UAD优于其他选定的算法，而在雅虎异常基准合成数据文件的情况下，它提供了有竞争力的结果，最近在文献中报道的结果。
2021-03-08 cs.AI cs.LG cs.NE
SetAD: Semi-Supervised Anomaly Learning in Contextual Sets
Beihang University（北京航空航天大学）；Pengcheng Laboratory（鹏城实验室）
SetAD提出了一种基于集合的半监督异常检测框架，通过集合级建模和上下文校准机制提升异常检测性能。
2025-11-26 cs.LG
Unsupervised Symbolic Anomaly Detection
TU Dortmund University, Dortmund, Germany Research Center Trustworthy Data Science（图鲁特大学，德国多特蒙德 Research Center Trustworthy Data Science）
SYRAN通过学习可读的符号方程来检测异常，利用近似常数的符号不变量，提供可解释的异常评分，实验表明其在可解释性和检测性能上表现优异。
2026-03-18 cs.AI cs.LG cs.SC
ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection
University of Montreal（蒙特利尔大学）；Université de Montréal（蒙特利尔大学）
提出ASTER框架，在潜在空间生成伪异常训练Transformer分类器，结合预训练LLM增强表示，在三个基准数据集上达到最优性能。
2026-06-12 cs.AI cs.CV cs.LG
Diminishing Empirical Risk Minimization for Unsupervised Anomaly Detection
Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）；Centre for Medical Research, The University of Western Australia（西澳大学医学研究中心）
无监督异常检测在实际应用中是一项具有挑战性的任务。近年来，利用深度神经网络（DNN）检测异常的趋势越来越明显。然而，大多数流行的深度AD检测器不能保护网络免受异常数据带来的学习污染信息的影响，导致检测性能不理想和过拟合问题。在这项工作中，我们确定了阻碍大多数现有的基于DNN的异常检测方法执行的一个原因是经验风险最小化（ERM）的广泛采用。ERM假设算法在未知分布上的性能可以通过对已知训练集上的损失进行平均来近似。因此，这种平均方案忽略了正常情况和异常情况之间的区别。为了突破ERM的局限性，我们提出了一个新的递减经验风险最小化（DERM）框架。具体来说，DERM通过精心设计的聚合策略自适应地调整个人损失的影响。理论上，我们提出的DERM可以直接修改优化过程中每个个体损失的梯度贡献，以抑制离群值的影响，从而产生鲁棒的异常检测器。从经验上讲，DERM在由18个数据集组成的无监督AD基准测试中表现优于最先进的技术。
2022-05-29 cs.LG
Self-supervise, Refine, Repeat: Improving Unsupervised Anomaly Detection
Google Cloud AI（谷歌云人工智能）
异常检测（AD）将异常与正常数据分离，在从安全到医疗保健的各个领域都有许多应用。虽然大多数以前的工作被证明是有效的情况下，完全或部分标记的数据，该设置是在实践中不太常见，由于标记是特别繁琐的这项任务。在本文中，我们专注于完全无监督的AD，其中包含正常和异常样本的整个训练数据集是未标记的。为了有效地解决这个问题，我们建议使用数据细化过程来提高在自监督表示上训练的一类分类的鲁棒性。我们提出的数据细化方法是基于一类分类器（OCC），其中每一个训练的训练数据的不相交的子集的合奏。随着数据细化的改进，通过自监督学习对细化数据学习的表示会迭代更新。我们展示了我们的方法在各种无监督的AD任务与图像和表格数据。在CIFAR-10图像数据上的异常率为10%/甲状腺表格数据上的异常率为2.5%的情况下，所提出的方法以6.3 AUC和12.5平均精度/ 22.9 F1分数优于最先进的一类分类器。
2022-08-05 cs.LG
Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection
Samsung Display（三星显示公司）；Stanford University（斯坦福大学）
本文针对显示检测中重建式扩散模型异常检测的噪声参数难确定和正常区域误检问题，提出基于重建趋势分析的异常检测方法。
2025-08-18 cs.CV cs.LG
DQS: A Low-Budget Query Strategy for Enhancing Unsupervised Data-driven Anomaly Detection Approaches
Leiden University（莱顿大学）；Mercedes-Benz AG（梅赛德斯-奔驰集团）
本研究提出低预算查询策略DQS，结合主动学习优化无监督异常检测的阈值，在低预算场景下表现最优，优于传统无监督阈值。
2026-08-12 cs.LG
Class Label-aware Graph Anomaly Detection
KAIST GSDS（韩国科学技术院数据科学研究生院）；KAIST ISysE（韩国科学技术院工业与系统工程系）；KAIST ISysE & AI（韩国科学技术院工业与系统工程系及人工智能学院）
本研究针对现有无监督图异常检测方法未利用类别标签的问题，提出CLAD框架，借助少量带标签节点提升检测性能，实验证明其在10个数据集上效果优于现有方法，且无需真实类别标签。
2023-08-22 cs.LG
Unsupervised Dictionary Learning for Anomaly Detection
University of Bucharest（布加勒斯特大学）；The Research Institute of the University of Bucharest (ICUB)（布加勒斯特大学研究院（ICUB））
我们研究了采用字典学习来解决大多数异常检测应用程序的要求的可能性，例如缺乏监督，在线配方，低误报率。我们提出了新的结果，我们最近的半监督在线算法，TODDLeR，反洗钱的应用。我们还介绍了一种新的无监督的方法，使用性能的学习算法的样本的性质的指示。
2020-09-07 cs.CR cs.CV cs.LG
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
Angel or Devil: Discriminating Hard Samples and Anomaly Contaminations for Unsupervised Time Series Anomaly Detection
本文提出PLDA方法，通过结合参数行为和损失行为，提升无监督时间序列异常检测中区分异常污染和困难正常样本的能力，实验表明其显著提升检测性能。
2024-10-26 cs.AI cs.LG
Rule Extraction in Unsupervised Anomaly Detection for Model Explainability: Application to OneClass SVM
Telefónica（西班牙电信）；Universidad Politécnica de Madrid（马德里理工大学）
单类支持向量机是一种流行的无监督异常检测方法。与许多其他方法一样，它也存在黑箱问题：很难以直观和简单的方式证明为什么决策前沿将数据点识别为异常或非异常。这种类型的问题在监督模型中得到了广泛的解决。然而，它仍然是一个未知领域的无监督学习。在本文中，我们评估了OneClass SVM模型的几种规则提取技术，以及其中一些算法的替代设计。与此同时，我们提出了计算与可解释人工智能（XAI）相关的指标的算法，这些指标涉及提取规则的“可理解性”、“代表性”、“稳定性”和“多样性”。我们使用不同的数据集来评估我们的提案，包括来自行业的真实数据。有了这个，我们的建议有助于扩展XAI技术的无监督机器学习模型。
2021-04-01 cs.AI cs.LG
Deep Autoencoders with Value-at-Risk Thresholding for Unsupervised Anomaly Detection
IBM Research -- Ireland（IBM研究院——爱尔兰）
许多现实世界的监控和监视应用程序需要在流模型中运行非平凡的异常检测。我们考虑了一种增量学习方法，其中训练了一个正常的深度自动编码（DAE）模型，并同时用于检测异常。在异常检测中，我们利用一种新的阈值机制，基于风险价值（VaR）。我们将得到的卷积神经网络（CNN）与一些子空间方法进行比较，并在Changedetection网络上给出结果。
2019-12-09 cs.CV cs.LG eess.IV
Hybrid Efficient Unsupervised Anomaly Detection for Early Pandemic Case Identification
Wright State University（怀特州立大学）
本文提出一种结合距离与密度度量的混合无监督异常检测方法，用于流行病早期病例识别，并在COVID-19胸部X光数据上取得77.43%的平均AUC，优于Isolation Forest和KNN。
2024-08-09 cs.LG eess.IV
Unsupervised Anomaly Detection on Temporal Multiway Data
Applied AI Institute, Deakin University（迪肯大学应用人工智能研究所）
时间异常检测寻找时空上的不规则性。到目前为止，所采用的无监督时态模型通常工作在特征向量序列上，而很少工作在时态多路数据上。我们的研究集中在双向数据上，其中在每个时间步观察到一个数据矩阵。利用矩阵原生递归神经网络的最新进展，我们研究了用于时间多路异常检测的数据排列和无监督训练策略。这些包括压缩-解压缩、编码-预测和时间数据差分。我们进行了一系列全面的实验，以评估合成数据、移动数字和ECG记录在各种设置下的模型行为。我们发现了以前没有报道过的有趣现象。其中包括紧凑矩阵LSTM几乎完美地压缩噪声数据的能力，使得压缩-解压缩数据的策略不适合噪声下的异常检测。此外，长序列的向量可以直接通过矩阵模型来处理，该模型允许非常长的上下文和多步预测。总体而言，编码预测策略在所进行的实验中对于矩阵LSTM非常有效，这要归功于其紧凑性和更好地适应数据动态。
2020-09-20 cs.AI cs.LG
A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images
CentraleSupélec（巴黎中央理工-高等电力学院）
图像中的异常检测对于所有行业的许多应用都起着重要作用，例如医疗保健中的疾病诊断或制造业中的质量保证。当在单调重复的时间段上延长时，对图像的手动检查是非常耗时的，并且可能导致异常被忽略。人工神经网络已经证明自己在简单重复的任务上非常成功，在某些情况下甚至优于人类。因此，在本文中，我们研究了不同的深度学习方法，包括监督和无监督学习，用于应用于质量保证用例的异常检测。我们利用MVTec异常数据集，并开发了三种不同的模型，一个CNN的监督异常检测，KD-CAE的自动编码器异常检测，NI-CAE的噪声引起的异常检测和DCGAN生成重建图像。通过实验，我们发现KD-CAE在异常数据集上的表现优于CNN和NI-CAE，其中NI-CAE在晶体管数据集上的表现最好。我们还实现了一个DCGAN来创建新的训练数据，但由于计算限制和缺乏对Ano GAN机制的外推，我们将自己限制为仅生成基于GAN的图像。我们的结论是，无监督方法对于图像中的异常检测更强大，特别是在只有少量异常数据可用或数据未标记的环境中。
2021-07-20 cs.CV cs.LG eess.IV
