Anomalous Sound Detection as a Simple Binary Classification Problem with Careful Selection of Proxy Outlier Examples
Johannes Kepler University（约翰内斯·开普勒大学）；Software Competence Center Hagenberg GmbH（哈根贝格软件能力中心有限公司）
无监督的异常声音检测涉及识别偏离定义为“正常”的声音，而不明确指定异常的类型。一个重要的障碍是异常值的多样性和稀有性，这通常会阻止我们收集一组有代表性的异常声音。因此，大多数异常检测方法使用无监督而不是有监督的机器学习方法。尽管如此，我们将表明，异常声音检测可以有效地框架作为一个监督分类问题，如果一组异常样本被仔细替换我们所谓的代理离群值。代理异常值的候选者大量可用，因为它们可能包括既不正常也不异常的声音的所有录音。我们对2020年DCASE挑战赛的机器状态监测数据集进行了实验，发现了具有匹配记录条件和与目标声音高度相似性的代理异常值，这些异常值特别具有信息性。如果没有具有相似声音和匹配记录条件的数据可用，则优选在这两个维度上具有较大多样性的数据集。我们的模型基于有代理离群值的监督训练，在DCASE2020挑战赛的任务2中排名第三。
2020-11-05 cs.LG cs.SD eess.AS
Description and Discussion on DCASE2020 Challenge Task2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring
NTT Corporation（NTT公司）；Hitach, Ltd.（日立有限公司）；Doshisha University（同志社大学）
在本文中，我们介绍了任务描述，并讨论了DCASE 2020挑战任务2的结果：机器状态监测的异常声音的无监督检测。异常声音检测（ASD）的目的是识别目标机器发出的声音是正常还是异常。该任务的主要挑战是在仅提供正常声音样本作为训练数据的条件下检测未知的异常声音。我们设计了这个挑战作为ASD研究的第一个基准，其中包括一个大规模的数据集，评估指标和一个简单的基线系统。我们收到了来自40个团队的117份提交，由于这一挑战，已经开发了几种新方法。在分析评价结果的基础上，讨论了两种新的评价方法及其存在的问题。
2020-08-08 cs.LG cs.SD eess.AS
Timbre Difference Capturing in Anomalous Sound Detection
Research and Development Group, Hitachi, Ltd.（日立公司研发集团）
针对现有声音差异描述方法需异常声音训练、不适用于常规机器状态监测的问题，提出基于预定义音色属性、结合k近邻的联合检测与差异估计框架，无需异常声音训练，经MIMII DG数据集验证有效。
2024-10-29 cs.SD eess.AS
SSDPT: Self-Supervised Dual-Path Transformer for Anomalous Sound Detection in Machine Condition Monitoring
Northwestern Polytechnical University（西北工业大学）；LianFeng Acoustic Technologies Co., Ltd.（联丰声学技术有限公司）；Xi’an University of Posts and Telecommunications（西安邮电大学）
用于机器状态监测的异常声音检测在工业4.0的发展中具有巨大的潜力。然而，这些机器的异常声音在正常情况下通常是不可用的。因此，所采用的模型必须学习正常声音的声学表示进行训练，并在测试时检测异常声音。在这篇文章中，我们提出了一个自我监督的双路Transformer（SSDPT）网络来检测机器监控中的异常声音。SSDPT网络将声学特征分成多个段，并使用多个DPT块进行时间和频率建模。DPT块使用注意模块来交替地对关于分段声学特征的频率和时间分量的交互信息进行建模。为了解决异常声音缺乏的问题，我们采用了一种自监督学习的方法来训练网络与正常的声音。具体而言，该方法随机掩蔽和重建的声学特征，并联合分类机器身份信息，以提高异常声音检测的性能。我们在DCASE2021 task2数据集上评估了我们的方法。实验结果表明，SSDPT网络实现了显着增加的谐波平均AUC分数，在目前的国家的最先进的异常声音检测方法相比。
2022-08-06 cs.SD eess.AS
Retrieval-Augmented Approach for Unsupervised Anomalous Sound Detection and Captioning without Model Training
Research and Development Group, Hitachi, Ltd.（日立公司研发集团）
针对现有无监督异常声音检测与差异描述分离训练导致结果不相关、需大量标注的问题，提出基于预训练CLAP嵌入空间的检索增强方法，无需训练即可保证检测与描述一致，经实验验证有效。
2024-10-29 cs.SD eess.AS
Anomalous sound detection based on interpolation deep neural network
Hitachi, Ltd.（日立有限公司）
随着劳动力的减少，对进行工业设备维护的节省劳动力的自动异常声音检测技术的需求已经增长。常规方法基于自动编码器的重构误差来检测异常。然而，当目标机器声音是非平稳的时，重建误差倾向于与异常无关地大，并且其变化由于预测边缘帧的困难而增加。为了解决这个问题，我们提出了一种异常检测的方法，在该方法中，该模型利用多帧的频谱图，其中心帧被删除作为输入，并预测删除的帧的插值作为输出。该方法不需要预测边缘帧，而是使重建误差与异常一致。实验结果表明，基于标准AUC评分，所提出的方法实现了27%的改善，尤其是针对非平稳机械声音。
2020-05-19 cs.LG cs.SD eess.AS
Anomalous Sound Detection Based on Machine Activity Detection
Hitachi, Ltd.（日立有限公司）
我们开发了一种用于机器状态监测的无监督异常声音检测方法，该方法利用辅助任务-检测目标机器何时处于活动状态。首先，我们训练一个模型，该模型通过使用带有机器活动标签的正常数据来检测机器活动，然后如果我们在推理阶段可以访问地面实况活动标签，则使用活动检测错误作为给定声音片段的异常分数。如果这些标签不可用，则通过对由活动检测模型获得的嵌入向量进行离群值检测来计算异常分数。解决这个辅助任务使模型能够学习目标机器声音和类似背景噪声之间的差异，这使得识别目标声音中的小偏差成为可能。实验结果表明，该方法通过集成的方式互补地提高了传统方法的异常检测性能。
2022-04-15 cs.LG cs.SD eess.AS
Transformer-based Autoencoder with ID Constraint for Unsupervised Anomalous Sound Detection
Harbin Engineering University（哈尔滨工程大学）；Bytedance（字节跳动）；University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
本文提出IDC-TransAE，一种基于ID约束的Transformer自编码器，结合加权异常分数计算，用于无监督异常声音检测，在DCASE 2020数据集上验证了其有效性和优越性。
2023-10-13 cs.SD eess.AS
Flow-based Self-supervised Density Estimation for Anomalous Sound Detection
Hitachi, Ltd.（日立有限公司）
为了开发机器声音监测系统，提出了一种异常声音检测方法。使用Normalizing Flows的精确似然估计是无监督异常检测的一种有前途的技术，但由于可能性受到数据平滑度的影响，因此它可能无法进行分布外检测。为了提高检测性能，我们训练模型，以将较高的可能性分配给目标机器声音，并将较低的可能性分配给来自相同机器类型的其他机器的声音。我们证明，这使模型能够采用基于自监督分类的方法。使用DCASE 2020 Challenge Task2数据集进行的实验表明，该方法在使用Masked Autoregressive Flow（MAF）时平均将AUC提高了4.6%，在使用Glow时平均提高了5.8%，这比以前的方法有了显着的改进。
2021-03-16 cs.LG cs.SD eess.AS
ASD-Diffusion: Anomalous Sound Detection with Diffusion Models
Beijing Institute of Technology（北京理工大学）
本文提出ASD-Diffusion，利用扩散模型重建异常声学特征并引入后处理过滤算法与去噪扩散隐式模型加速推理，在DCASE 2023任务2上较基线提升7.75%。
2024-09-24 cs.AI cs.SD eess.AS
Analysis of Feature Representations for Anomalous Sound Detection
LMU Munich（慕尼黑大学）
在这项工作中，我们彻底评估了预训练的神经网络作为异常声音检测的特征提取器的有效性。在此过程中，我们利用这些神经网络中包含的知识来提取语义丰富的特征（表示），这些特征（表示）用作高斯混合模型的输入，该模型用作密度估计器来对正态性进行建模。我们比较了在来自各个领域的数据上训练的特征提取器，即：图像，环境声音和音乐。我们的方法是从工厂机械，如阀门，泵，滑块和风扇的记录进行评估。所有评估的表示都优于自动编码器基线，其中基于音乐的表示在大多数情况下都能产生最佳性能。这些结果挑战了通常的假设，即紧密匹配的域的特征提取器和下游任务的结果在更好的下游任务的性能。
2020-12-11 cs.LG cs.SD eess.AS
An Enhanced Audio Feature Tailored for Anomalous Sound Detection Based on Pre-trained Models
University of Science and Technology of China（科学技术大学）；National Intelligent Voice Innovation Center（国家智能语音创新中心）；iFLYTEK Research（iFLYTEK研究院）
本文针对机器异常声音检测中异常位置不确定和冗余信息干扰问题，提出均匀间隔滤波器组特征及基于预训练模型的无参数特征增强方法，并在DCASE 2024数据集上显著提升ASD性能。
2025-08-21 cs.LG cs.SD eess.AS
Anomalous Sound Detection Using Self-Attention-Based Frequency Pattern Analysis of Machine Sounds
Harbin Engineering University（哈尔滨工程大学）；University of Technology Sydney（悉尼科技大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出一种基于自注意力频率模式分析与频谱-时间融合的异常声音检测方法，自动分析有效频率并增强特征，在DCASE 2020任务2数据集上提升检测性能。
2023-09-06 cs.SD eess.AS
Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection
KAIST（韩国科学技术院）
针对无监督异常声音检测中类内紧凑性不足和角度差异问题，提出Noisy-ArcMix训练技术及时间区域特征提取架构，在DCASE 2020任务2上超越现有方法。
2023-10-10 cs.AI cs.SD eess.AS
MemNMF: Memory-Augmented NMF on LPC Spectra for Anomalous Sound Detection
Institute of Science Tokyo（东京理科大学）
研究针对基于自动编码器的异常声音检测问题，提出MemNMF方法，该方法基于线性预测编码频谱，通过初始化内存模块并进行注意力加权组合来重建输入，实验表明其能改进自动编码器基线，在复杂条件下鲁棒性强。
2026-07-27 cs.LG cs.SD
Description and Discussion on DCASE 2021 Challenge Task 2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring under Domain Shifted Conditions
Hitachi, Ltd.（日立制作所）；Doshisha University（同志社大学）；Google（谷歌）；NTT Corporation（日本电报电话公司）
我们介绍了DCASE 2021挑战任务2的任务描述和结果讨论。2020年，我们组织了一项无监督的异常声音检测（ASD）任务，在没有异常训练数据的情况下识别给定声音是正常还是异常。在2021年，我们组织了一个在领域转移条件下的高级无监督ASD任务，重点关注ASD系统实际使用中不可避免的问题。该任务的主要挑战是检测未知的异常声音，其中训练样本和测试样本的声学特性不同，即，域转移由于季节、制造产品和/或环境噪声的变化，该问题经常发生。我们收到了来自26个团队的75份参赛作品，在这次挑战中开发了几种新颖的方法。在对评估结果进行分析的基础上，我们发现TOP-5获胜团队采用了两种类型的显着方法：1）基于“离群点检测”（OE）的检测器和基于“内点建模”（IM）的检测器的集成方法，以及2）基于IM的机器识别任务中学习的特征检测方法。
2021-09-27 cs.LG cs.SD eess.AS
Improvements of Discriminative Feature Space Training for Anomalous Sound Detection in Unlabeled Conditions
Graduate School of Informatics Nagoya University Nagoya, Japan；Information Technology Center Nagoya University Nagoya, Japan
针对元信息标签缺失时异常声音检测判别式方法性能下降的问题，通过采用多分辨率频谱图与新训练策略改进特征提取器、提出多种伪标记方法，显著提升了无标记条件下的检测性能。
2024-09-14 cs.SD eess.AS
Why do Angular Margin Losses work well for Semi-Supervised Anomalous Sound Detection?
Fraunhofer FKIE（弗劳恩霍夫FKIE研究所）
该研究从理论与实验层面揭示角间隔损失在半监督异常声音检测中表现优异的原因，证明其可最小化紧致性损失、避免平凡解，并验证相关分类辅助任务能提升含噪场景下的检测性能。
2023-11-24 cs.LG cs.SD eess.AS
Anomalous Sound Detection using unsupervised and semi-supervised autoencoders and gammatone audio representation
Visualfy（维苏阿尔公司）
异常音检测是当前机器听力领域的热门课题之一。无监督检测由于其在许多领域的直接适用性而引起了人们的极大兴趣。例如，在工业过程中，机器故障或损坏的早期检测可能意味着工业过程效率的巨大节省和提高。这个问题可以通过无监督的ASD解决方案来解决，因为工业机器不会仅仅因为在训练阶段具有此音频数据而损坏。本文提出了一种基于卷积自编码器（无监督和半监督）和基于Gammatone的音频表示的新框架。通过这些架构获得的结果大大超过了作为基线呈现的结果。
2020-06-27 cs.LG cs.SD eess.AS
Improving Anomalous Sound Detection through Pseudo-anomalous Set Selection and Pseudo-label Utilization under Unlabeled Conditions
Nagoya University（名古屋大学）
针对无标签条件下异常声音检测性能下降问题，提出结合异常分数选择器、三元组学习和迭代训练的集成流程，在DCASE2022-2024数据集上平均AUC提升超6.6点，实现低标注成本下的鲁棒检测。
2025-05-25 cs.SD eess.AS
Improvement of Serial Approach to Anomalous Sound Detection by Incorporating Two Binary Cross-Entropies for Outlier Exposure
Nagoya University（名古屋大学）；Human Dataware Lab. Co., Ltd.（Human Dataware实验室有限公司）
异常声音检测系统必须仅使用正常音频数据来检测未知的非典型声音。传统的方法使用串行方法，一个组合的离群暴露（OE），它分类正常和伪异常数据，并获得嵌入，和内点建模（IM），它模型的嵌入的概率分布。虽然串行方法由于OE强大的特征提取和IM的鲁棒性而显示出高性能，但是OE仍然存在当正常和伪异常数据太相似或太不同时不能很好地工作的问题。为了明确区分这些数据，所提出的方法在训练OE时使用两个二进制交叉熵的多任务学习。第一个是对目标机器的声音进行分类的损失，该目标机器的声音是从哪个产品发出的，它处理正常数据和伪异常数据过于相似的情况。第二种是识别声音是否从目标机器发出的损失，其处理正常数据和伪异常数据相差太大的情况。我们使用DCASE 2021 Task~2数据集进行了实验。我们提出的单模型方法在AUC方面优于结合多个模型的顶级方法2.1%。
2022-06-13 cs.SD eess.AS
TLDiffGAN: A Latent Diffusion-GAN Framework with Temporal Information Fusion for Anomalous Sound Detection
Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院）；Collaborative Innovation Center for Transport Studies, Dalian Maritime University, China（大连海事大学交通运输协同创新中心）
TLDiffGAN通过结合潜在扩散模型与预训练音频编码器，提升异常声音检测的准确性和时间频率定位能力。
2026-02-01 cs.AI cs.SD eess.AS
First-Shot Unsupervised Anomalous Sound Detection With Unknown Anomalies Estimated by Metadata-Assisted Audio Generation
University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
针对DCASE 2023挑战赛任务2的首次无监督异常声音检测难题，提出元数据辅助音频生成估计未知异常、结合TWFR-GMM主干的FS-TWFR-GMM方法，以极少参数取得顶尖性能。
2024-03-11 cs.SD eess.AS
Domain Shift-oriented Machine Anomalous Sound Detection Model Based on Self-Supervised Learning
Guilin University of Electronic Technology（桂林电子科技大学）；School of Marine Engineering（海洋工程学院）
得益于深度学习的发展，基于自监督学习的机器异常声音检测研究取得了显著成果。然而，在同一台机器的不同操作条件下，测试集和训练集的声学特性存在差异（域偏移）。现有的检测方法具有挑战性，以低的计算开销稳定地学习域移位特征。针对这些问题，本文提出了一种基于自监督学习的面向领域转移的机器异常声音检测模型（TranSelf-DyGCN）。首先，设计了一个时频域特征建模网络，用于捕获全局和局部的空间和时域特征，从而提高了机器异常声音检测在域偏移下的稳定性。然后，采用动态图卷积网络（DyGCN）对域移位特征之间的依赖关系进行建模，使模型能够有效地感知域移位特征。最后，我们使用一个域自适应网络（DAN）来补偿域偏移引起的性能下降，使模型在自监督环境中更好地适应异常声音。在DCASE 2020任务2和DCASE 2022任务2上验证了所建议模型的性能。
2022-09-07 cs.SD eess.AS
Anomalous Sound Detection using Spectral-Temporal Information Fusion
Harbin Engineering University（哈尔滨工程大学）；University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
无监督异常声音检测的目的是从正常声音中检测出机器的未知异常声音。然而，最先进的方法并不总是稳定的，甚至对于相同类型的机器也会有显着不同的表现，这使得它对于一般应用不切实际。本文提出了一种基于频谱-时间融合的自监督方法来对正常声音的特征进行建模，从而提高了检测来自单个机器（即使是相同类型的机器）的异常声音的稳定性和性能一致性。在DCASE 2020 Challenge Task 2数据集上的实验表明，该方法的最小AUC分别达到了81.39%、83.48%、98.22%和98.83（个人之间最差情况下的检测性能）在四种类型的真实机器中（风扇、泵、滑块和阀），与现有技术方法相比分别提高了31.79%、17.78%、10.42%和21.13%，发光\_Aff.此外，所提出的方法提高了数据集中所有类型机器的AUC（个人平均性能）。源代码可在https://github.com/liuyoude/STgram_MFN上获得
2022-04-29 cs.SD eess.AS
Self-Supervised Learning for Anomalous Sound Detection
Fraunhofer FKIE（弗劳恩霍夫通信、信息处理和人机工程学研究所）
针对异常声音检测依赖手动标注、分类任务难度影响检测性能的问题，提出特征交换这一自监督学习方法，结合现有方法后在DCASE2023 ASD数据集上取得大幅领先的最优性能。
2023-12-15 cs.LG cs.SD eess.AS
ESTM: An Enhanced Dual-Branch Spectral-Temporal Mamba for Anomalous Sound Detection
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院）；Collaborative Innovation Center for Transport Studies, Dalian Maritime University（大连海运大学交通运输协同创新中心）
针对工业异常声音检测中长程时频特征建模难的问题，提出基于双路径Mamba和SSM的ESTM框架，融合多类特征并辅以TSG模块提升异常敏感度，在DCASE 2020 Task 2数据集上取得性能提升。
2025-09-02 cs.LG cs.SD
Representational learning for an anomalous sound detection system with source separation model
School of Electronic and Electrical Engineering, Kyungpook National University（庆北国立大学电子与电气工程学院）；School of Electronics Engineering, Kyungpook National University（庆北国立大学电子工程学院）
针对机械异常声音检测中传统方法的局限性，提出基于源分离模型CMGAN的训练方法，通过分离非目标机器声音提升表征学习效果，实验证明其性能优于传统方法且可随非目标数据量增加进一步增强。
2024-10-29 cs.SD eess.AS
Description and Discussion on DCASE 2026 Challenge Task 2: Noise-aware Unsupervised Anomalous Sound Detection for Machine Condition Monitoring
National Institute of Information and Communications Technology, Japan（日本信息与通信技术研究院）
本文介绍DCASE 2026挑战任务2，通过利用近远双通道音频分离环境噪声与机器声音，提升无监督异常声音检测在噪声条件下的鲁棒性。
2026-06-01 cs.SD eess.AS
Sub-Band Spectral Matching with Localized Score Aggregation for Robust Anomalous Sound Detection
本文提出BEAM方法，通过子带向量存储和局部化分数聚合，减少正常分数方差，提升区分性，并引入参数无关自适应融合处理子带响应的时序动态。
2026-11-03 cs.AI cs.SD
A Framework for Evaluating Faithfulness in Explainable AI for Machine Anomalous Sound Detection Using Frequency-Band Perturbation
本文提出了一种评估XAI在机器异常声音检测中忠实度的框架，通过频率带扰动方法评估不同XAI技术的可靠性，发现遮挡方法在模型敏感性上表现最佳。
2026-01-26 cs.LG cs.SD
Disentangling Physical Parameters for Anomalous Sound Detection Under Domain Shifts
Hitachi, Ltd.（日立制作所）
为了开发一种机器噪声监测系统，提出了一种畴移条件下的异常噪声检测方法。当机器的物理参数发生变化时，就会发生域转移。因为域移位改变正常声音数据的分布，所以常规无监督异常检测方法可输出假阳性。为了解决这个问题，所提出的方法约束的归一化流（NF）模型的一些潜在变量来表示物理参数，这使得解纠缠的域移位的因素和学习的潜在空间是不变的，相对于这些域移位。从这个域移位不变的潜在空间计算的异常分数不受这种移位的影响，这减少了误报并提高了检测性能。利用不同运行速度下的滑轨声数据进行了实验。结果表明，所提出的方法解开的速度，以获得一个潜在的空间，是不变的关于域的变化，这提高了AUC的13.2%的辉光与一个单一的块和2.6%的辉光与多个块。
2021-11-12 cs.SD eess.AS
Noise Supervised Contrastive Learning and Feature-Perturbed for Anomalous Sound Detection
School of Computer Science and Technology（计算机科学与技术学院）；Xinjiang University（新疆大学）；Department of Electronic Engineering（电子工程系）
本文提出单阶段监督对比学习（OS-SCL）方法，通过特征扰动和噪声监督对比学习减少跨机器同类型样本的误报，并引入TFgram时频特征，在DCASE 2020任务2上取得显著性能提升。
2025-09-18 cs.CL cs.SD
Serial-OE: Anomalous sound detection based on serial method with outlier exposure capable of using small amounts of anomalous data for training
Nagoya University（名古屋大学）
提出Serial-OE方法，利用少量异常数据结合异常暴露框架提升异常声音检测性能，在DCASE2020 Task2上超越现有模型。
2025-05-25 cs.SD eess.AS
Anomalous Sound Detection using Audio Representation with Machine ID based Contrastive Learning Pretraining
Harbin Engineering University（哈尔滨工程大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
本文提出一种两阶段对比学习方法，通过结合机器ID预训练音频表示模型并利用自监督ID分类器微调，增强同一ID的音频特征关系，在DCASE 2020数据集上显著提升了异常声音检测的性能与稳定性。
2023-04-10 cs.LG cs.SD eess.AS
UD-ASD: A Unified Diffusion Model for Anomalous Sound Detection
University of Science and Technology of China（中国科学技术大学）
研究针对异常声音检测，提出含轻量级模块的统一扩散模型，先将音频转对数梅尔频谱图，通过嵌入机器ID引导模型为特定机器重建数据，经高斯混合模型拟合误差分布，实验验证该模型在DCASE2022任务2中相比基线有显著提升。
2026-07-15 cs.SD
AdaProj: Adaptively Scaled Angular Margin Subspace Projections for Anomalous Sound Detection with Auxiliary Classification Tasks
Fraunhofer FKIE（弗劳恩霍夫通信、信息处理与 ergonomics 研究所）
本文提出新型损失函数AdaProj，通过将数据投影至类别特定子空间并保持角度边际，在DCASE2022和2023数据集上显著提升了半监督异常声音检测性能。
2024-08-22 cs.SD eess.AS
Temporal Pooling Strategies for Training-Free Anomalous Sound Detection with Self-Supervised Audio Embeddings
系统评估多种时间池化策略，提出相对偏差池化（RDP）和混合池化方法，在无训练异常声音检测中超越均值池化，达到最优性能。
2026-08-07 cs.SD eess.AS
Disentangling Hierarchical Features for Anomalous Sound Detection Under Domain Shift
College of Computer Science and Technology, Harbin Engineering University（哈尔滨工程大学计算机科学与技术学院）；University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
本文提出基于梯度反转的层次化特征解耦方法GRHD，通过分离域相关与域无关特征并利用元数据引导细粒度特征学习，在DCASE 2022任务2数据集上显著提升了域偏移下的异常声音检测性能。
2025-01-03 cs.SD eess.AS
Handling Domain Shifts for Anomalous Sound Detection: A Review of DCASE-Related Work
Aalborg University（奥胡斯大学）；Pioneer Centre for AI（先锋人工智能中心）；Nagoya University（名古屋大学）；Kyoto University（京都大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文综述了DCASE声学机器状态监测挑战中异常声音检测的域泛化问题，重点讨论模型如何在仅用少量目标域样本的情况下，从源域泛化到麦克风类型或传感器位置等声学域发生偏移的未见目标域。
2025-09-21 cs.SD eess.AS
Few-Shot Adaptation for Anomalous Sound Detection at Low False-Positive Rate
University of Genoa（热那亚大学）；TU Graz（格拉茨工业大学）；voestalpine Stahl GmbH（奥钢联钢铁公司）
针对工业机械异常声音检测的高误报率问题，提出两步式方法，结合正则化无监督模型与少样本适配策略，显著提升了AUPR和低误报率区域的检测性能。
2026-10-15 cs.LG cs.SD eess.AS
Mind the Gap: Detecting Cluster Exits for Robust Local Density-Based Score Normalization in Anomalous Sound Detection
Department of Electronic Systems, Aalborg University（电子系统系，奥尔堡大学）；Pioneer Centre for Artificial Intelligence（先锋人工智能中心）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL））
针对异常声音检测中局部密度分数归一化对邻域大小敏感的问题，提出聚类出口检测机制，通过识别距离不连续性自适应选择邻域大小，提升鲁棒性和性能。
2026-06-08 cs.SD eess.AS
Retaining Mixture Representations for Domain Generalized Anomalous Sound Detection
Institute of Science Tokyo（东京科学研究所）
针对域泛化异常声音检测中混合样本嵌入偏差导致性能下降的问题，提出保留而非去噪的SSL改进策略，结合多标签损失与混合对齐损失，提升了分布偏移下的检测鲁棒性。
2025-10-29 cs.SD eess.AS
Multi-scale Scanning Network for Machine Anomalous Sound Detection
School of Computer Science, Wuhan University, Wuhan, China（武汉大学计算机学院）；Suzhou Municipal Key Laboratory of Multimodal Intelligent Systems, Digital Innovation Research Center, Duke Kunshan University, Suzhou, China（多克逊大学苏州市多模态智能系统重点实验室、数字创新研究中心）；School of Artificial Intelligence, Wuhan University, Wuhan, China（武汉大学人工智能学院）
针对机器声音模式跨尺度变化未被充分探索的问题，提出多尺度扫描网络（MSN），通过不同大小核框扫描频谱图并结合共享权重轻量卷积网络，在DCASE数据集上实现最先进的异常声音检测性能。
2025-08-24 cs.SD
Deep Generic Representations for Domain-Generalized Anomalous Sound Detection
Tokyo Institute of Technology（东京工业大学）
针对域迁移和标注数据受限下的异常声音检测，提出 GenRep，利用大规模预训练通用表征、kNN、MemMixup 与域归一化，在 DCASE2023T2 Eval 上以 73.79% 官方分数超过最佳 OE 方法。
2024-09-08 cs.AI cs.SD eess.AS
Stream-based Active Learning for Anomalous Sound Detection in Machine Condition Monitoring
Hitachi, Ltd.（日立公司）
针对机器状态监测中异常声音检测因异常数据稀缺导致 unseen 样本准确率低的问题，提出无需重训神经网络、仅更新评分后端的流主动学习框架，在DCASE 2023 Task 2数据集上以低标注预算显著提升性能，采样策略的ROC部分面积得分优于基线。
2024-08-10 cs.SD eess.AS
Activity-Guided Industrial Anomalous Sound Detection against Interferences
Pohang University of Science and Technology (POSTECH)（浦项科技大学（POSTECH））
针对工业声音异常检测中目标机器声音易受背景噪声和邻近机器干扰的问题，提出SSAD框架，利用机器活动信息进行源分离和两步掩蔽，在仅提供受损信号和活动信息的情况下，实现了与使用干净信号的基线相当的准确率，并在有干扰时优于标准方法。
2024-09-03 cs.LG cs.SD eess.AS
Outlier-aware Inlier Modeling and Multi-scale Scoring for Anomalous Sound Detection via Multitask Learning
Duke Kunshan University（昆山杜克大学）；OPPO
本文提出基于多任务学习的异常声音检测方法，通过统一框架结合异常值暴露与内点建模，利用conformer编码器实现感知异常值的内点建模与多尺度评分，在MIMII和DCASE 2020数据集上优于单模型系统并媲美顶级多系统集成。
2023-09-14 cs.SD eess.AS
Machine Anomalous Sound Detection Using Spectral-temporal Modulation Representations Derived from Machine-specific Filterbanks
Graduate School of Advanced Science and Technology, Japan Advanced Institute of Science and Technology（日本先进科学技术学院先进科学技术研究院）；Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）
本文针对工业机器异常声音检测，利用F-ratio设计机器特定NUFB提取LNS特征，并结合频谱与时间调制表示，显著提升自编码器检测器在多种SNR下的AUC性能。
2024-09-09 cs.AI cs.SD
Time-weighted Frequency Domain Audio Representation with GMM Estimator for Anomalous Sound Detection
Harbin Engineering University（哈尔滨工程大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
针对现有统计频率表示适配性差的问题，提出结合GMM的时间加权频域表示TWFR-GMM，通过时域全局加权排序池化适配不同机器，在域偏移下也能检测异常，性能优于近期深度学习方法，获DCASE 2022任务2第三名。
2023-05-05 cs.SD eess.AS
Improving Anomalous Sound Detection with Attribute-aware Representation from Domain-adaptive Pre-training
University of Science and Technology of China（科学技术大学）；iFLYTEK Research（iFLYTEK研究院）；National Intelligent Voice Innovation Center（国家智能语音创新中心）
本文针对异常声音检测中属性标签缺失问题，提出用域自适应预训练表示进行凝聚层次聚类生成伪属性标签，再通过有监督微调实现模型适配，在DCASE 2025数据集上取得新的最优性能。
2025-09-19 cs.AI cs.SD
Learning to Adapt to Domain Shifts with Few-shot Samples in Anomalous Sound Detection
Carnegie Mellon University（卡内基梅隆大学）；Bosch Research & Technology Center（博世研究与技术中心）
异常检测具有许多重要的应用，例如监控工业设备。尽管最近在使用深度学习方法进行异常检测方面取得了进展，但目前尚不清楚现有解决方案在分布外场景下的表现，例如，由于机器负载或环境噪音的变化。基于机器健康监测的应用，我们提出了一个框架，适应新的条件下，Few-Shot样本。在以前工作的基础上，我们采用了基于分类的方法进行异常检测，并证明了其等价于正常样本的混合密度估计。我们将一个情节的训练过程，以匹配的Few-Shot设置在推理。我们基于元信息定义了多个辅助分类任务，并利用基于梯度的元学习来提高对不同班次的泛化能力。我们在最近发布的来自不同机器类型的音频测量数据集上评估了我们提出的方法。它在两个基线上改进了约10%，与数据集上报告的最佳性能模型相当。
2022-04-05 cs.LG cs.SD eess.AS
Description and Discussion on DCASE 2025 Challenge Task 2: First-shot Unsupervised Anomalous Sound Detection for Machine Condition Monitoring
Hitachi, Ltd.（日立株式会社）；NTT, Inc.（日本NTT公司）；STMicroelectronics；Kyoto University（京都大学）
本文介绍DCASE 2025挑战赛任务2，旨在无需超参数调优即可快速部署新机器类型的无监督异常声音检测，并分析35个团队的119份提交，发现多种方法结合适当策略均可取得竞争力。
2025-09-26 cs.SD eess.AS
Hierarchical Metadata Information Constrained Self-Supervised Learning for Anomalous Sound Detection Under Domain Shift
Harbin Engineering University（哈尔滨工程大学）；University of Technology Sydney（悉尼科技大学）；University of Surrey（萨里大学）
针对域偏移下ASD忽略区段内元数据属性的问题，提出HMIC自监督方法，利用区段ID与属性的分层约束学习精细特征，并以AGC计算异常分数，在DCASE 2022任务2上优于现有方法。
2023-12-18 cs.SD eess.AS
