环境感知异常检测：忽略风格变化，忠于内容！
Env-Aware Anomaly Detection: Ignore Style Changes, Stay True to Content!
AI总结：
本文针对分布偏移下的无监督异常检测，基于 iWildCam 建立形式化与基准，并提出训练时利用环境标签生成对比正样本的扩展方法，使 ERM 基线提升 8.7%。
摘要：
我们提出了分布偏移场景下无监督异常检测任务的形式化定义和基准。我们的工作基于 iWildCam 数据集构建，并且据我们所知，我们是首个针对视觉数据提出此类方法的研究。我们通过实验验证，在这种情况下，与基础的经验风险最小化（ERM）相比，环境感知方法表现更好。随后，我们提出了一种为对比方法生成正样本的扩展方案，该方案在训练时考虑环境标签，将 ERM 基线分数提高了 8.7%。
英文摘要：
We introduce a formalization and benchmark for the unsupervised anomaly detection task in the distribution-shift scenario. Our work builds upon the iWildCam dataset, and, to the best of our knowledge, we are the first to propose such an approach for visual data. We empirically validate that environment-aware methods perform better in such cases when compared with the basic Empirical Risk Minimization (ERM). We next propose an extension for generating positive samples for contrastive methods that considers the environment labels when training, improving the ERM baseline score by 8.7%.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
