Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning
Aalborg University（奥尔堡大学）；East China Normal University（华东师范大学）
本文提出基于重要性的生成对比学习（IGCL）方法，用于无监督时间序列异常预测，通过区分正常与异常前兆并自适应存储代表性异常前兆，提升预测性能。
2025-12-04 cs.LG
AutoGraphAD: Unsupervised network anomaly detection using Variational Graph Autoencoders
Department of Computer Architecture（计算机架构系）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
本文提出AutoGraphAD，一种基于异构变分图自编码器的无监督网络异常检测方法，通过无监督和对比学习训练模型，无需标注数据，实现高效检测。
2026-07-13 cs.AI cs.CR cs.LG
Unsupervised Anomaly Detection via Deep Metric Learning with End-to-End Optimization
Bilkent University（比尔肯特大学）；DataBoss A.S.（DataBoss公司）
我们研究了高维数据的无监督异常检测，并介绍了一个基于深度度量学习（DML）的框架。特别是，我们通过深度神经网络学习距离度量。通过这个度量，我们将数据投影到度量空间中，更好地将异常数据与正常数据分开，并减少高维数据的维数灾难的影响。我们提出了一种新的数据蒸馏方法，通过自我监督，以弥补传统的做法，假设所有的数据是正常的。我们还采用了硬挖掘技术，从DML文献。我们表明，这些组件提高了我们的模型的性能，并显着减少运行时间。通过对14个真实世界数据集的广泛实验，与最先进的无监督异常检测方法相比，我们的方法表现出显着的性能提升，例如，14个数据集的平均绝对改善率在4.44%和11.74%之间。此外，我们在Github上分享了我们的方法的源代码，以方便进一步的研究。
2020-05-12 cs.LG stat.ML
One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities
Univ. Lyon（里昂大学）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；INSA Lyon（里昂国立应用科学学院）；UCBL（里昂第一大学）；CREATIS（CREATIS实验室）
本文提出一种基于孪生图像块自编码器潜在空间与单类SVM的无监督异常检测方法，用于多模态脑MRI白质高信号检测，在WMH挑战赛上取得与当前最优方法相当的性能。
2023-04-17 cs.AI eess.IV
Self-Supervised Learning for Large-Scale Unsupervised Image Clustering
Technion – Israel Institute of Technology（以色列理工学院）
无监督学习一直吸引着机器学习研究人员和从业者，使他们能够避免昂贵而复杂的数据标记过程。然而，复杂数据的无监督学习具有挑战性，即使是最好的方法也比有监督的方法表现出更弱的性能。自监督深度学习已经成为计算机视觉中表示学习的强大工具。然而，这些方法尚未在完全无监督的环境中进行评估。在本文中，我们提出了一个简单的计划，基于自监督表示的无监督分类。我们使用几种最近的自监督方法对所提出的方法进行了评估，结果表明它在ImageNet分类方面取得了有竞争力的结果（ImageNet上1000个聚类的准确率为39%，过聚类的准确率为46%）。我们建议将无监督评估添加到自监督学习的标准基准中。代码可在https://github.com/Randl/kmeans_selfsuper上获得
2020-11-09 cs.CV 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
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
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
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
Unsupervised Anomaly Detection Ensembles using Item Response Theory
RMIT University（皇家墨尔本理工大学）
从一组异构的无监督异常检测方法构建集成是具有挑战性的，因为类标签或地面真相是未知的。因此，使用响应变量或类别标签的传统集成技术不能用于构建用于无监督异常检测的集成。我们使用项目反应理论（IRT）-一类用于教育心理测量学的模型，以评估学生和测试问题的特点-构建一个无监督的异常检测集成。IRT的潜在特征计算适合于异常检测，因为潜在特征可以用来揭示隐藏的地面真相。使用一种新的IRT映射到异常检测问题，我们构建了一个合奏，可以淡化嘈杂，非歧视性的方法，并强调尖锐的方法。我们证明了IRT合奏的有效性，广泛的数据存储库，通过比较其性能与其他合奏技术。
2021-06-11 cs.AI cs.LG stat.ML
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
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
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
When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection
KAIST（韩国科学技术院）
针对无监督时间序列异常检测中正常性分布随时间变化的问题，提出基于趋势估计与自监督学习的测试时适应策略，以提升模型在分布偏移下的检测鲁棒性。
2024-01-21 cs.AI cs.LG
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
FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
本文提出 FANFOLD，通过在图级异常检测中结合知识蒸馏与归一化流构建非对称网络，以源-目标损失计算异常分数，并在15个数据集上验证其优越性。
2024-06-29 cs.AI cs.LG
Diffuse to Detect: Generative Diffusion Models for Unsupervised IC Anomaly Detection
Department of Electrical and Computer Engineering, University of California Santa Barbara, CA, USA（加州大学圣芭芭拉分校电子与计算机工程系）
提出首个结合扩散Transformer的无监督异常检测框架，通过自编码器压缩、结构化令牌序列和噪声预测误差实现晶圆级快速筛选，在16nm IC测试数据上达到最优性能。
2026-05-26 cs.AI cs.LG
Unsupervised Model Selection for Time-series Anomaly Detection
Carnegie Mellon University（卡内基梅隆大学）；AWS AI Labs（AWS人工智能实验室）
时间序列的异常检测有着广泛的实际应用。虽然文献中已经提出了许多异常检测方法，但最近的一项调查得出结论，没有一种方法在各种数据集上是最准确的。更糟糕的是，异常标签很少，在实践中很少可用。在文献中，为没有标签的给定数据集选择最准确的模型的实际问题很少受到关注。本文回答了这个问题，即给定一个未标记的数据集和一组候选异常检测器，我们如何选择最准确的模型？为此，我们确定了三类替代（无监督）指标，即预测误差，模型中心性，和性能注入合成异常，并表明，一些指标是高度相关的标准监督异常检测性能指标，如$F_1$分数，但在不同程度上。我们制定度量组合与多个不完美的替代指标作为一个强大的秩聚合问题。然后，我们提出的方法背后的理论依据。在多个真实世界数据集上的大规模实验表明，我们提出的无监督方法与基于部分标记数据选择最准确的模型一样有效。
2023-01-24 cs.AI cs.LG
Rethinking the Unsupervised Paradigm in Time Series Anomaly Detection: An Empirical Study and Minimalist Baseline
School of Future Technology, South China University of Technology（华南理工大学未来技术学院）；Pengcheng Laboratory（鹏城实验室）；School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）
本文挑战了时间序列异常检测中算法复杂度最优的假设，通过实验表明在有限标注预算下，简单监督模型优于复杂无监督方法，强调标签利用的重要性。
2026-11-04 cs.AI cs.LG
GeoChemAD: Benchmarking Unsupervised Geochemical Anomaly Detection for Mineral Exploration
The University of Western Australia（西澳大学）
本文提出GeoChemAD基准数据集，用于评估无监督地质异常检测方法，通过多区域、多采样源的数据提升模型泛化能力，提出GeoChemFormer框架在矿产勘探中表现优异。
2026-03-13 cs.AI cs.LG
Unsupervised Ensemble Methods for Anomaly Detection in PLC-based Process Control
Tennessee Technological University（田纳西理工大学）
基于可编程逻辑控制器（PLC）的工业控制系统（ICS）用于监视和控制关键基础设施。ICS中通信网络和物联网方法的集成增加了ICS对网络攻击的脆弱性。这项工作提出了新的无监督机器学习集成方法异常检测在基于PLC的ICS。这项工作提出了两种广泛的异常检测方法：加权投票集成方法与学习算法的基础上确定系数和堆叠为基础的集成方法，使用隔离森林元检测器。通过一个开源的基于PLC的ICS受到多种攻击场景作为案例研究的两个集成方法进行了分析。这项工作考虑了四种不同的学习模型的加权投票集成方法。比较性能分析的五个集成方法驱动的不同基地检测器。结果表明，基于堆栈集成方法使用隔离森林元检测器实现了优越的性能，以前的工作的所有性能指标。结果还表明，有效的无监督集成方法，例如具有隔离森林元检测器的基于堆栈的集成，可以鲁棒地检测任意ICS数据集中的异常。最后，所提出的结果进行了验证，通过使用统计假设检验。
2023-02-04 cs.AI cs.LG
Enhancing Unsupervised Anomaly Detection with Score-Guided Network
Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）；Industrial and Commercial Bank of China（中国工商银行）
针对无监督异常检测中过渡区域难区分、假设空间度量难定义的挑战，提出带分数引导正则化的评分网络及SG-AE等模型，在多数据集上取得SOTA性能。
2023-10-09 cs.AI 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
Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection
Shiraz University（设拉子大学）
本文提出一种结合注意力机制与自编码器的混合模型，用于时间序列无监督在线异常检测，通过潜在空间预测及误差一阶统计矩分析提升检测准确率。
2024-01-06 cs.AI cs.LG eess.SP
Unsupervised Contextual Anomaly Detection using Joint Deep Variational Generative Models
提出了一种用于无监督上下文异常检测的方法，该方法使用交叉链接的变分自动编码器对来为观察分配正态性分数。该方法能够将上下文属性与行为属性区分开，并且对于异常或新颖的上下文属性的存在是鲁棒的。该方法可以用包含异常的数据集进行训练，而无需任何特殊的预处理。
2019-04-01 cs.LG 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
Meta-Unsupervised-Learning: A supervised approach to unsupervised learning
我们引入了一种新的范式来研究无监督学习，将无监督学习归结为监督学习。具体来说，我们通过利用从先前的、可能是异构的监督学习任务中获得的知识来减轻无监督决策中的主观性。我们通过对几个无监督问题的全面阐述和详细实验来展示我们框架的多功能性，这些问题包括（a）聚类，（b）离群点检测和（c）在元无监督学习的共同保护伞下的相似性预测。我们还提供了严格的PAC不可知的界限，建立我们的框架的理论基础，并表明我们的框架的元聚类规避克莱因伯格的不可能定理聚类。
2017-01-03 cs.AI cs.CV cs.LG
Is it worth it? Comparing six deep and classical methods for unsupervised anomaly detection in time series
German Aerospace Center（德国航空航天中心）；Friedrich-Schiller University（弗里德里希-席勒大学）
检测时间序列数据中的异常在各种领域都很重要，包括系统监控、医疗保健和网络安全。虽然可用方法的丰富性使得很难为给定的应用选择最合适的方法，但每种方法在检测某些类型的异常方面都有其优势。在这项研究中，我们比较了六种不同复杂度的无监督异常检测方法，以确定更复杂的方法是否通常表现更好，以及某些方法是否更适合某些类型的异常。我们使用UCR异常存档（最近的异常检测基准数据集）评估了这些方法。在调整每种方法所需的超参数后，我们分析了数据集和异常类型级别的结果。此外，我们评估了每种方法结合有关异常的先验知识的能力，并检查了逐点和逐序列特征之间的差异。我们的实验表明，经典的机器学习方法在一系列异常类型上通常优于深度学习方法。
2023-02-02 cs.AI cs.IR cs.LG
Unsupervised Anomaly Detection and Localization with Generative Adversarial Networks
Nokia Bell Labs（诺基亚贝尔实验室）；Nokia（诺基亚）
本文提出一种基于生成对抗网络和SOP频谱图的无监督异常检测方法，在海底和陆地光纤链路数据集上实现超过97%的准确率，无需标记数据。
2024-09-05 cs.LG eess.SP
A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection Algorithms
Université de Sherbrooke（舍布鲁克大学）
异常检测有许多应用，从银行欺诈检测和网络威胁检测到设备维护和健康监控。然而，为给定的应用程序选择一个合适的算法仍然是一个具有挑战性的设计决策，通常由异常检测算法的文献。我们广泛地回顾了12种最流行的无监督异常检测方法。我们观察到，到目前为止，它们是使用不一致的协议进行比较的--选择感兴趣的类或阳性类，分割训练和测试数据，以及选择超参数--导致模糊的评估。这一观察使我们定义了一个连贯的评估协议，然后我们使用它来生成一个更新的和更精确的图片的相对性能的12种方法在五个广泛使用的表格数据集。虽然我们的评估无法确定一种方法在所有数据集上都优于所有其他方法，但它可以识别出那些突出的方法，并修改对其相对性能的错误认识。
2022-04-21 cs.AI cs.CR cs.LG
Unsupervised Anomaly Detection Using Flow Matching on Tabular Data
University of Mannheim（曼海姆大学）；MPI for Informatics（马克斯·普朗克信息学研究所）；Saarland Informatics Campus（萨尔兰信息学园区）
本研究针对受污染训练数据下的表格异常检测，对比TCCM与Forest-Flow，发现轨迹类异常评分更稳定，Forest-Flow表现可与TCCM媲美甚至更优，凸显异常评分的重要性。
2026-08-21 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
Explainable Unsupervised Anomaly Detection with Random Forest
Prospect 33, LLC（Prospect 33公司）；BlackRock, Inc（BlackRock公司）
提出一种基于随机森林的无监督异常检测方法，通过区分真实与合成数据学习距离度量，提升检测精度，并支持基于特征重要性的局部可解释预测。
2025-04-22 cs.LG stat.ML
SoftPatch: Unsupervised Anomaly Detection with Noisy Data
Southern University of Science and Technology（南方科技大学）；Tencent（腾讯）；Youtu Lab（腾讯云优图实验室）
本文提出基于记忆的无监督异常检测方法SoftPatch，通过patch级去噪和软化检测边界解决含噪数据训练问题，在MVTecAD和BTAD基准上优于现有方法且在无噪声时表现相当。
2024-03-21 cs.AI cs.CV cs.LG
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
When Unsupervised Domain Adaptation meets One-class Anomaly Detection: Addressing the Two-fold Unsupervised Curse by Leveraging Anomaly Scarcity
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学）；Cristal Laboratory, National School of Computer Sciences, University of Manouba（晶体实验室，国家计算机科学学校，曼努巴大学）
本文提出了一种基于异常稀有性的无监督领域自适应框架，用于解决无监督异常检测中的双重无监督诅咒问题。
2025-12-26 cs.CV cs.LG
DiffGAD: A Diffusion-based Unsupervised Graph Anomaly Detector
University of Science and Technology of China（中国科学技术大学）；New York University（纽约大学）；China Academy of Electronics and Information Technology（中国电子科技集团公司电子科学研究院）
DiffGAD提出基于扩散的潜在空间学习范式，注入判别性内容并引入内容保留机制，在六个大规模数据集上显著提升无监督图异常检测性能。
2025-02-25 cs.AI cs.LG cs.SI
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
Transfer Learning from an Auxiliary Discriminative Task for Unsupervised Anomaly Detection
Center for Urban Science and Progress（城市科学与进步中心）；New York University（纽约大学）；Institute Of Design And Urbanism（设计与城市主义研究所）；ITMO University（圣彼得堡国立信息技术机械与光学大学）
从移动网络等高维数据中进行无监督异常检测是一项具有挑战性的任务。如何从这些高维数据中提取特征是该领域的研究热点。本研究的目的是探讨网络分类学习到的特征在无监督异常检测中的可移植性。我们建议使用一个辅助分类任务提取特征，从无标记的数据通过监督学习，可用于无监督的异常检测。我们通过设计实验来检测来自纽约和台北的移动网络数据中的异常来验证这种方法，并将结果与PCA和自动编码器的传统无监督特征学习方法进行比较。我们发现，我们的特征学习方法对两个数据集都产生了最佳的异常检测性能，优于其他研究方法。这建立了这种方法的实用功能工程，它可以应用于其他类似性质的问题。
2019-12-05 cs.LG physics.soc-ph stat.ML
CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows
Panasonic AI Lab（松下人工智能实验室）；Panasonic Technology Division（松下技术事业部）
当标记不可行时，以及当异常示例在训练数据中完全缺失时，具有定位的无监督异常检测具有许多实际应用。虽然最近提出的用于这种数据设置的模型实现了高精度度量，但是它们的复杂性是实时的【形】处理的限制因素。在本文中，我们提出了一个实时的【形】模型，并分析推导出其关系到以前的方法。我们的CFLOW-AD模型是基于一个有条件的规范化流框架，通过异常检测与本地化。特别是，CFLOW-AD由一个有区别的预训练编码器和一个多尺度生成解码器组成，后者显式估计编码特征的可能性。我们的方法产生了一个计算和内存效率高的模型：CFLOW-AD比具有相同输入设置的现有技术更快，更小10倍。我们在MVTec数据集上的实验表明，CFLOW-AD在检测任务中比以前的方法高出0.36%AUROC，在定位任务中分别高出1.12%AUROC和2.5%AUPRO。我们开源我们的代码与完全可重复的实验。
2021-07-27 cs.AI cs.CV cs.LG
Squeezed Convolutional Variational AutoEncoder for Unsupervised Anomaly Detection in Edge Device Industrial Internet of Things
Seoul National University（首尔大学）；Samsung Electronics Co. Ltd.（三星电子株式会社）
在本文中，我们提出了压缩卷积变分自编码器（SCVAE），用于工业物联网（IIoT）边缘计算的时间序列数据中的异常检测。将该模型应用于UCI数据集的标记时间序列数据进行精确的性能评估，并应用于真实世界数据进行间接的模型性能比较。此外，通过比较应用来自SqueezeNet的Fire Modules之前和之后的模型，我们发现模型大小和推理时间都有所减少，同时保持了相似的性能水平。
2017-12-18 cs.LG
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
Incorporating Privileged Information to Unsupervised Anomaly Detection
Carnegie Mellon University（卡内基梅隆大学）
我们引入了一个新的无监督的异常检测集成称为SPI，它可以利用特权信息-数据仅适用于训练样本，但不适用于（未来）测试的例子。我们的想法建立在Vapnik等人开创的使用标记信息的学习（LUPI）范式上。[19，17]，我们将其扩展到无监督学习，特别是异常检测。SPI（用于利用标记信息发现异常）构造多个知识帧/片段（即，密度估计），并通过仅使用可用于测试示例的部分信息的“模仿”函数将它们转移到异常评分空间。我们将LUPI范式推广到无监督异常检测，在几个关键方向上引导了该领域，包括（i）使用专家注释作为PI的领域知识增强检测，（ii）使用计算要求高的数据作为PI的快速检测，以及（iii）使用“历史未来”数据作为PI的早期检测。通过对模拟数据集和真实数据集的大量实验，我们证明了将特权信息扩展到异常检测可以显着提高检测性能。我们还展示了SPI在所有三种设置（i-iii）下的承诺; PI捕获专家知识，计算昂贵的功能，以及三个现实世界检测任务的未来数据。
2018-05-24 cs.LG stat.ML
ASC-Net : Adversarial-based Selective Network for Unsupervised Anomaly Segmentation
University of Georgia（佐治亚大学）；Shanghai Jiao Tong University（上海交通大学）
我们引入了一个神经网络框架，利用对抗学习将图像划分为两个切口，其中一个切口落入用户提供的参考分布。这个概念解决了无监督异常分割的任务，近年来由于其在无标记数据任务中的广泛应用而引起了越来越多的关注。这种基于对抗性的选择性切割网络（ASC-Net）桥接了基于集群的深度学习方法和基于对抗性的异常/新颖性检测算法这两个领域。我们在BraTS脑肿瘤分割、LiTS肝脏病变分割和MS-SEG 2015分割任务上评估了该无监督学习模型。与AnoGAN家族等现有方法相比，我们的模型在无监督异常分割任务中表现出巨大的性能提升。虽然与监督学习算法相比，仍有进一步提高性能的空间，但有希望的实验结果为使用用户定义的知识构建无监督学习算法提供了启示。
2021-07-09 cs.CV cs.LG eess.IV
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
Anomaly Detection by Recombining Gated Unsupervised Experts
Fraunhofer AISEC（弗劳恩霍夫应用集成安全研究所）
异常检测已被认为是在几个程度的先验知识。无监督方法不需要任何标记的数据，而半监督方法利用一些已知的异常。受混合专家模型和对神经网络隐藏激活的分析的启发，我们提出了一种新的数据驱动的异常检测方法ARGUE。我们的方法不仅适用于无监督和半监督环境，而且还受益于自监督设置的先验知识。我们将ARGUE设计为专用专家网络的组合，这些专家网络专门处理部分输入数据。ARGUE采用门控混合专家体系结构，将分布在各专家系统中的知识进行融合，以做出最终决策。我们的评估动机，先验知识的正常数据分布可能是有价值的已知异常。
2022-05-23 cs.LG stat.ML
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
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
