RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision
National University of Defense Technology（国防科技大学）；Singapore Management University（新加坡管理大学）
针对半监督异常检测中异常污染误导学习、离散监督信息利用不足的问题，提出RoSAS方法，通过质量插值生成连续异常度样本并加入特征学习约束，在11个数据集上AUC-PR较SOTA提升20%-30%，鲁棒性更优。
2023-07-25 cs.AI cs.LG
Elsa: Energy-based learning for semi-supervised anomaly detection
Data Science Group, IBS（基础科学研究院数据科学组）；School of Computing, KAIST（韩国科学技术院计算学院）
异常检测的目的是从正常的数据分布中识别出异常的实例。该领域已经取得了许多进展，包括无监督对比学习的创新使用。然而，现有的方法通常假设干净的训练数据，并且在数据包含未知异常时受到限制。本文提出了Elsa，一种新的半监督异常检测方法，统一的概念，基于能量的模型与无监督对比学习。Elsa通过基于新能量函数的精心设计的微调步骤，强制将正常数据划分为原型类，从而对任何数据污染注入鲁棒性。多污染场景的实验表明，该模型达到SOTA性能。广泛的分析也验证了所提出的模型中的每个组件的贡献。除了实验，我们还提供了一个理论解释，为什么对比学习单独不能检测异常下数据污染。
2022-01-03 cs.CV cs.LG
Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning
LG CNS；Department of Industrial & Management Engineering, Korea University（高丽大学产业与管理工程系）；Department of Industrial Engineering, Seoul National University（首尔大学工业工程系）
提出一种结合主动学习的框架，通过掩码重建反馈和极小极大学习策略，增强无监督模型对细微噪声异常的检测能力，在28个测试案例中AUC提升12.39%。
2026-07-02 cs.AI cs.LG
Robustness Evaluation of Deep Unsupervised Learning Algorithms for Intrusion Detection Systems
Université de Sherbrooke（谢布罗克大学）
本文评估了六种最新深度无监督学习算法在受污染数据上的入侵检测鲁棒性，实验表明现有最优算法对数据污染敏感，强调了开发入侵检测系统时自我防御数据扰动的重要性。
2023-10-30 cs.CR cs.LG cs.NI
Deep Learning for Network Anomaly Detection under Data Contamination: Evaluating Robustness and Mitigating Performance Degradation
Groupe de Recherche Interdisciplinaire en Cybersécurité (GRIC)（跨学科网络安全研究组（GRIC））；Department of Computer Science, Université de Sherbrooke（谢布鲁克大学计算机科学系）；Department of Management School, Université de Sherbrooke（谢布鲁克大学管理学院）
本研究针对深度学习网络异常检测模型易受训练集数据污染影响的问题，提出评估协议测试六种无监督算法的鲁棒性，并设计带约束潜表示的增强自动编码器，提升了模型抗数据污染能力。
2024-09-12 cs.CR cs.LG cs.NI
Satellite-based feature extraction and multivariate time-series prediction of biotoxin contamination in shellfish
NOVA School of Science and Technology (NOVA FCT)（新里斯本大学科学与技术学院（NOVA FCT））；IPMA - Instituto Português do Mar e da Atmosfera（葡萄牙海洋与大气研究所（IPMA））；NOVA Laboratory for Computer Science and Informatics (NOVA LINCS)（新里斯本大学计算机科学与信息学实验室（NOVA LINCS））；Center for Mathematics and Applications (NOVA Math)（新里斯本大学数学与应用中心（NOVA Math））；NOVA Research & Development Unit for Mechanical and Industrial Engineering (UNIDEMI)（新里斯本大学机械与工业工程研发单元（UNIDEMI））
本研究利用Sentinel-3卫星影像和贝类生物毒素污染数据，通过自编码器提取特征并结合人工神经网络进行多变量时间序列预测，验证了卫星数据整合可有效提升贝类毒素污染的预测能力。
2023-11-25 cs.LG
DeNoise: Learning Robust Graph Representations for Unsupervised Graph-Level Anomaly Detection
School of Computer, Electronics and Information, Guangxi University（广西大学计算机电子信息学院）；School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院）；Guangxi Key Laboratory of Multi-Source Information Mining & Security, Guangxi Normal University（广西多源信息挖掘与安全重点实验室）
针对无监督图级异常检测中训练数据易受异常图污染的问题，提出DeNoise框架，通过对抗学习、锚点对齐去噪和对比学习学习抗噪声图表示，在多个数据集上显著优于现有方法。
2026-10-06 cs.AI cs.LG
An Evidence-Based Post-Hoc Adjustment Framework for Anomaly Detection Under Data Contamination
Department of Computer Science, University of Mons（蒙斯大学计算机科学系）
EPHAD提出一种基于证据的后验调整框架，通过测试时收集的证据提升异常检测在数据污染下的性能。
2026-01-28 cs.LG
CLEANet: Robust and Efficient Anomaly Detection in Contaminated Multivariate Time Series
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；HUAWEI（华为）
针对多元时间序列异常检测中训练数据污染和推理低效的问题，提出CLEANet框架，采用污染弹性训练框架和轻量级共轭MLP，在五个数据集上F1提升高达73.04%，运行时间降低81.28%。
2025-10-26 cs.LG
Neural Bayesian Anomaly Mitigation: A Robust Loss that Doubles as an Unsupervised Contamination Classifier
Astrophysics Group, Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室天体物理组）；Institute of Astronomy, University of Cambridge（剑桥大学天文研究所）
提出神经贝叶斯异常缓解（NBAM）损失，基于贝叶斯潜变量混合模型，既提供鲁棒监督损失又输出无监督污染后验，在CIFAR-10上优于Huber等基线。
2026-06-16 astro-ph.CO cs.LG stat.ML
An Encode-then-Decompose Approach to Unsupervised Time Series Anomaly Detection on Contaminated Training Data--Extended Version
East China Normal University（华东师范大学）；Aalborg University（奥尔堡大学）
针对自编码器在受污染训练数据下异常检测精度下降的问题，提出编码-分解范式和互信息指标，在8个基准上取得有竞争力的性能且具备污染鲁棒性。
2025-10-21 cs.DB cs.LG
Unsupervised Anomaly Detection in Wearable Foot Sensor Data: A Baseline Feasibility Study Towards Diabetic Foot Ulcer Prevention
Department of Computer Science, Middlesex University London（伦敦Middlesex大学计算机科学系）
本文研究了利用无监督算法检测可穿戴足部传感器数据中的异常，通过温度和压力信号分析，建立基线模型以评估糖尿病足溃疡预防的可行性。
2026-05-07 cs.AI cs.LG q-bio.OT
Robust and Explainable Detector of Time Series Anomaly via Augmenting Multiclass Pseudo-Anomalies
SANKEN, University of Osaka（大阪大学SANKEN研究所）
针对时间序列无监督异常检测中异常污染问题，提出RedLamp方法，通过多样化数据增强生成多类伪异常并采用软标签多类分类，实现鲁棒且可解释的异常检测。
2025-05-27 cs.LG
A Marketplace Price Anomaly Detection System at Scale
Walmart Global Tech（沃尔玛全球科技）
针对在线市场因缺乏集中管控易出现价格异常、损害体验与收益的问题，提出可扩展框架MoatPlus，通过集成模型、优化加权构建实时价格上限，将高漏洞商品的精确锚点覆盖率最高提升46.6%。
2023-10-09 cs.LG stat.ML
Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination
School of Engineering, Institute of Science Tokyo（东京科学大学工程学院）
针对实际中训练数据含异常致网络入侵检测性能下降问题，提出一种基于联邦学习的稳健训练方法，利用联邦学习局限性减弱异常数据影响，引入选择性聚合机制排除异常更新，实验证明该方法在含异常数据环境中性能更优且随异常比例增加仍稳定。
2026-07-29 cs.LG cs.NI
Online Detection of Water Contamination Under Concept Drift
KIOS Research and Innovation Center of Excellence（KIOS研究与创新中心卓越中心）；Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Cyprus（塞浦路斯大学）
本文提出AD&DD方法，结合双阈值漂移检测与LSTM-VAE，在概念漂移下实现供水管网污染的实时无监督检测与定位，并在两个真实管网中验证其优于现有方法。
2025-01-03 cs.AI cs.LG
AnoOnly: Semi-Supervised Anomaly Detection with the Only Loss on Anomalies
University of Electronic Science and Technology of China（电子科技大学）；Juntendo University（顺天堂大学）；RIKEN（理化学研究所）
AnoOnly提出一种仅对异常进行损失监督的半监督异常检测框架，通过暂停对正常数据的严格监督并利用批归一化实现弱监督，以平衡数据不平衡，提升检测性能并增强对标签噪声的鲁棒性。
2023-09-06 cs.AI cs.LG
Separating Novel Features for Logical Anomaly Detection: A Straightforward yet Effective Approach
本文针对工业中逻辑异常检测因师生网络相似度过高导致假阴性及差异图生成受阻的问题，在 EfficientAD 基线中引入基于边界的约束，将 MVTec LOCO AD 的 AUROC 提升了 1.3%。
2024-07-25 cs.CV 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
Statistical Analysis of Nearest Neighbor Methods for Anomaly Detection
Carnegie Mellon Univeristy（卡内基梅隆大学）
最近邻（NN）过程被广泛研究和应用于监督和无监督学习问题。在本文中，我们关注的是研究基于神经网络的异常检测方法的性能。我们首先通过大量的模拟表明，神经网络方法相比有利的一些其他国家的最先进的算法的异常检测的基础上，一组基准的合成数据集。我们进一步考虑了NN方法在真实数据集上的性能，并将其与问题的维度联系起来。接下来，我们通过研究一个更一般的量称为距离测量（DTM），最初在文献中开发的强大的几何和拓扑推理的NN方法异常检测的理论特性进行分析。我们提供有限样本的经验DTM的统一保证，并使用它们来获得各种设置下的异常观测的误分类率。在我们的分析中，我们依赖于Huber的污染模型，并制定温和的几何规律性假设的数据的基本分布。
2019-07-08 cs.LG math.ST stat.ML
Anomaly Detection: How to Artificially Increase your F1-Score with a Biased Evaluation Protocol
EURA NOVA
异常检测是机器学习中广泛探索的领域。在文献中提出了许多模型，并通过在各种数据集上测量的不同度量进行比较。用于比较性能的最常用指标是F1评分、AUC和AVPR。在本文中，我们表明，F1评分和AVPR是高度敏感的污染率。一个后果是，可以通过修改列车试验分割程序来人为地增加它们的值。这导致了文献中算法之间的误导性比较，特别是当评估协议不是很详细的时候。此外，我们表明，F1分数和AVPR不能用于比较不同数据集上的性能，因为它们不能反映建模此类数据的内在困难。基于这些观察，我们认为F1分数和AVPR不应该被用作异常检测的指标。我们建议一个通用的评估程序，无监督的异常检测，包括使用其他指标，如AUC，这是更强大的任意选择的评估协议。
2021-06-30 cs.LG
RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series
North Carolina State University（北卡罗来纳州立大学）；Intuit Inc.（财捷公司）
强大的异常检测是监控复杂的现代系统的一项要求，这些系统具有网络安全、欺诈预防和维护等应用。这些系统生成多个相关的时间序列，这些时间序列具有高度的季节性和噪声。本文提出了一种用于多变量时间序列异常检测的新型无监督深度学习架构，称为鲁棒季节性多变量生成对抗网络（RSM-GAN）。它扩展了GANs的最新进展，采用了卷积LSTM层和注意力机制来产生最先进的性能。我们进行了大量的实验，以证明我们的架构在调整复杂的季节性模式和处理严重的训练数据污染水平的实力。我们还提出了一个新的异常分数分配和因果推理框架。我们将RSM-GAN与现有的经典和基于深度学习的异常检测模型进行了比较，结果表明，我们的架构具有最低的误报率，并且在真实世界和合成数据中分别将精度提高了30%和16%。此外，我们报告了RSM-GAN在所有数据设置中准确识别根本原因和NAB评分方面的优越性。
2019-11-16 cs.LG stat.ML
Variational Outlier-Robust Gaussian Process Regression with Generative Modeling
Zunitech, LLC（祖尼特科技有限责任公司）；Institute of Data Science, University of Engineering and Technology, Lahore, Pakistan（拉合尔工程技术大学数据科学学院）
针对离群值扭曲高斯过程回归的问题，提出带生成建模的变分离群值鲁棒高斯过程回归方法，经实验验证其预测精度优于多数基线且计算复杂度为立方级。
2026-08-18 cs.LG
Detecting Anomalies Using Rotated Isolation Forest
Semnan University（塞姆南大学）
本文提出Rotated Isolation Forest (RIF)算法，通过随机旋转数据集有效解决了iForest的轴对齐幽灵簇和Extended Isolation Forest的幽灵间簇问题，在合成和真实数据集上均优于现有方法。
2025-01-29 cs.LG
Unsupervised Feature Selection with Adaptive Structure Learning
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
特征选择的问题在过去的十年中引起了相当大的兴趣。传统的无监督方法选择能够忠实地保持数据内在结构的特征，其中内在结构是利用数据的所有输入特征来估计的。然而，当不去除冗余和噪声特征时，估计的内在结构是不可靠/不准确的。因此，我们面临着一个两难的境地：一个需要数据的真实结构来识别信息特征，一个需要信息特征来准确地估计数据的真实结构。为了解决这个问题，我们提出了一个统一的学习框架，同时进行结构学习和特征选择。该方法从特征选择的结果中自适应地学习数据结构，并重新选择信息特征以保持数据的精细结构。通过利用这两个基本任务之间的相互作用，我们能够捕获准确的结构并选择更多信息的特征。在许多基准数据集上的实验结果表明，该方法优于许多最先进的无监督特征选择方法。
2015-04-03 cs.LG
Precise Change Point Detection using Spectral Drift Detection
University of Cyprus（塞浦路斯大学）；Bielefeld University（比勒费尔德大学）
概念漂移的概念是指数据生成分布随时间变化的现象;因此，机器学习模型可能变得不准确并需要调整。在本文中，我们考虑的问题，检测这些变化点的无监督学习。许多无监督方法依赖于两个时间窗口的样本分布之间的差异。该过程对于小窗口是有噪声的，因此易于引起假阳性并且不能处理窗口中的多于一个漂移事件。在本文中，我们依赖于漂移引起的信号的结构特性，它使用分布的核嵌入的谱特性。在此基础上，我们推导出一个新的无监督漂移检测算法，研究其数学性质，并在几个实验中证明其实用性。
2022-05-13 cs.LG
PIXEL: Physics-Informed Cell Representations for Fast and Accurate PDE Solvers
Sungkyunkwan University（成均馆大学）
随着计算能力的提高和机器学习的发展，基于数据驱动学习的方法在求解偏微分方程中得到了极大的关注。物理信息神经网络（PINN）最近出现并成功地解决了各种正向和逆偏微分方程问题，这要归功于其出色的特性，如灵活性、无网格解决方案和无监督训练。然而，它们的收敛速度较慢，相对不准确的解决方案往往限制了它们在许多科学和工程领域的广泛适用性。本文提出了一种新的数据驱动的偏微分方程求解器，物理信息单元表示（PIXEL），优雅地结合了经典的数值方法和基于学习的方法。我们采用了网格结构的数值方法，以提高精度和收敛速度，并克服了谱偏差PINNs。此外，所提出的方法在PINN中享有相同的益处，例如，使用相同的优化框架来解决正向和反向PDE问题，并且利用现代自动微分技术容易地实施PDE约束。我们提供了各种具有挑战性的偏微分方程的实验结果，原来的PINN一直在努力，并表明PIXEL实现快速收敛速度和高精度。项目页面：https://namgyukang.github.io/PIXEL/
2023-02-04 cs.LG cs.NA math.NA
When Normality Shifts: Risk-Aware Test-Time Adaptation for Unsupervised Tabular Anomaly Detection
IEEE Publication Technology Group（IEEE出版技术组）；Piscataway, NJ（新泽西州皮斯基塔威）
本文提出RTTAD方法，通过协同双任务学习和测试时对比学习，解决表格异常检测中正常性转变问题，提升模型判别能力。
2026-05-11 cs.AI cs.LG
Model-based Policy Optimization with Unsupervised Model Adaptation
Shanghai Jiao Tong University（上海交通大学）；D. E. Shaw & Co（D.E.肖公司）；Carnegie Mellon University（卡内基梅隆大学）
基于模型的强化学习方法学习具有从环境采样的真实数据的动力学模型，并利用它来生成模拟数据以导出代理。然而，由于模拟数据和真实数据之间的潜在分布不匹配，这可能导致性能下降。尽管有很多努力致力于减少这种分布不匹配，现有的方法无法解决它明确。在本文中，我们研究了如何弥合由于模型估计不准确而导致的真实数据和模拟数据之间的差距，以便更好地进行政策优化。首先，我们首先推导出预期收益的下界，这自然会通过对齐模拟和真实数据分布来激发边界最大化算法。为此，我们提出了一种新的基于模型的强化学习框架AMPO，它引入了无监督的模型自适应，以最小化来自真实和模拟数据的特征分布之间的积分概率度量（IPM）。用Wasserstein-1距离实例化我们的框架给出了一种实用的基于模型的方法。从经验上讲，我们的方法在一系列连续控制基准任务的样本效率方面实现了最先进的性能。
2020-10-28 cs.AI cs.LG stat.ML
RKUM: An R Package for Robust Kernel Unsupervised Methods
Centers for Outcomes and Health Services Research, Ochsner Health（成果与健康服务研究中心，奥钦斯纳健康）
本文介绍R包RKUM，它基于广义损失函数实现鲁棒核协方差算子与核CCA，并提供影响函数检测离群点，为高维数据鲁棒核分析提供高效可扩展平台。
2025-11-05 cs.LG stat.ML
Pilot Contamination Aware Transformer for Downlink Power Control in Cell-Free Massive MIMO Networks
Aalto University（阿尔托大学）；Nokia（诺基亚公司）；University of California San Diego（加利福尼亚大学圣迭戈分校）
针对CFmMIMO系统中基于学习的下行功率控制未利用信道结构与导频信息的问题，提出集成导频分配数据的PAPC Transformer，采用自定义掩码注意力机制，在无监督训练下与APG算法频谱效率公平性相当且计算效率更高，优于FCNs并可适应动态用户数。
2024-11-28 cs.IT cs.LG math.IT
Fashion CUT: Unsupervised domain adaptation for visual pattern classification in clothes using synthetic data and pseudo-labels
Zalando SE（扎兰多股份公司）；Insight Centre for Data Analytics（洞察数据分析中心）；Dublin City University（都柏林城市大学）
针对服装图像分类中合成数据与真实数据间的域偏移，提出结合生成网络与分类器联合训练，并利用真实伪标签减少偏差，实现无需真实标注的视觉图案分类，性能优于现有无监督域适应方法。
2023-05-09 cs.CV cs.LG
TRUST-FS: Tensorized Reliable Unsupervised Multi-View Feature Selection for Incomplete Data
Joint Laboratory of Data Science and Business Intelligence, School of Statistics and Data Science, Southwestern University of Finance and Economics（数据科学与商务智能联合实验室，统计与数据科学学院，西南财经大学）；Insitute for Carbon Neutrality, Tsinghua University（碳中和研究院，清华大学）；Department of Electrical Engineering and Computer Science, University of Kansas（电气工程与计算机科学系，堪萨斯大学）；JD Intelligent Cities Research and JD Intelligent Cities Business Unit（京东智能城市研究部和京东智能城市业务部）；School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算与人工智能学院，西南交通大学）
针对不完整多视图数据中缺失变量等挑战，提出TRUST-FS方法，通过统一张量分解框架同时实现特征选择、缺失变量插补和视图权重学习，并利用主观逻辑构建可靠相似图，性能优于现有先进方法。
2025-11-11 cs.LG
Weighted Unsupervised Domain Adaptation Considering Geometry Features and Engineering Performance of 3D Design Data
Cho Chun Shik Graduate School of Mobility, KAIST（KAIST赵春植移动研究生院）；Narnia Labs（纳尼亚实验室）
针对3D设计数据深度学习预测在新域不准确的问题，提出考虑几何特征与工程性能的双加权无监督域适应方法，通过对抗训练提取域不变特征并避免负迁移，有效降低目标风险并替代传统有限元分析。
2023-09-08 cs.LG
SRoll3: A neural network approach to reduce large-scale systematic effects in the Planck High Frequency Instrument maps
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；Institut d’Astrophysique Spatiale（空间天体物理研究所）；Laboratoire d’Océanographie Physique et Spatiale（物理与空间海洋学实验室）
在目前的工作中，我们提出了一种基于神经网络的数据反演方法，以减少结构化的污染源，特别侧重于普朗克高频仪器（Planck-HFI）数据的制图和消除大规模的系统性影响内产生的天空地图。污染源的去除是可能的，这些来源的结构化性质，其特征在于由本地时空相互作用产生不同时空尺度之间的耦合。我们专注于探索神经网络作为一种手段，利用这些耦合来学习最佳的低维表示，相对于污染源去除和映射目标进行优化，以实现强大而有效的数据反演。我们开发了所提出的方法的多个变体，并考虑包含物理信息约束和迁移学习技术。此外，我们专注于利用数据增强技术将专家知识整合到一个无监督的网络训练方法中。我们验证了普朗克-HFI 545 GHz远旁瓣模拟数据，考虑理想和非理想的情况下，涉及部分，间隙填充和不一致的数据集，所提出的方法，并证明了基于神经网络的降维准确建模和消除大规模系统效应的潜力。我们还提出了一个应用程序，真正的普朗克-HFI 857 GHz的数据，这说明了所提出的方法的相关性，准确地建模和捕获结构化污染源，与报告的增益高达一个数量级的污染去除性能。重要的是，在这项工作中开发的方法是集成在一个新版本的SRoll算法（SRoll 3），我们在这里描述SRoll 3 857 GHz探测器地图，将发布给社会。
2020-12-17 astro-ph.IM cs.LG
Alcmean's: Unsupervised community detection using local Laplacian, automatic detection of the number of centers
Department of Computer Engineering, University of Kurdistan, Sanandaj, Iran（伊朗库尔德大学桑和达吉分校计算机工程系）
提出ALCMeans算法，结合拉普拉斯能量自动识别中心与DeepWalk嵌入，无需预设社区数，在基准数据集上NMI和ARI比Louvain等方法高10-20%。
2026-06-08 cs.LG cs.SI
Flexible Auto-weighted Local-coordinate Concept Factorization: A Robust Framework for Unsupervised Clustering
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Department of Computer Science, University of Georgia（佐治亚大学计算机科学系）
由于概念因子分解（CF）及其变体对噪声的敏感性、对重构误差的严格约束以及预先获得的近似相似性，可能会产生不准确的表示和聚类结果。为了提高表示能力，提出了一种新的无监督鲁棒灵活自动加权局部坐标概念因子分解（RFA-LCF）框架，用于聚类高维数据。RFA-LCF通过干净数据空间恢复、鲁棒稀疏局部坐标编码和自适应加权将鲁棒灵活CF集成到统一模型中。RFA-LCF通过增强CF对噪声和误差的鲁棒性、对重建误差提供灵活的约束以及联合优化局部性来改进表示。对于鲁棒学习，RFA-LCF清楚地学习稀疏投影以恢复底层的干净数据空间，然后在投影的特征空间中执行灵活的CF。RFA-LCF还使用基于L2，1-范数的灵活残差来编码恢复数据与其重建之间的失配，并使用鲁棒的稀疏局部坐标编码来使用几个邻近基概念来表示数据。对于自动加权，RFA-LCF通过最小化干净数据、锚点和坐标上的重建误差，以自适应的方式联合保留基础概念空间和新坐标空间中的流形结构。通过交替地更新局部坐标保持数据、基概念和新坐标，可以潜在地提高表示能力。在公共数据库上的大量实验结果表明，与其他相关方法相比，RFA-LCF提供了最先进的聚类结果。
2019-09-02 cs.CV cs.LG stat.ML
DCLP: Neural Architecture Predictor with Curriculum Contrastive Learning
Harbin Institute of Technology（哈尔滨工业大学）
针对NAS中神经预测器训练数据成本高、无监督方法易性能崩溃的问题，提出课程引导对比学习框架DCLP，通过难度排序的课程调度提升训练稳定性与效率，性能优于现有预测器。
2023-12-14 cs.LG
Featurized Density Ratio Estimation
Stanford University（斯坦福大学）
密度比估计是无监督机器学习工具箱中的一项重要技术。然而，这样的比率是难以估计的复杂，高维数据，特别是当感兴趣的密度是足够的不同。在我们的工作中，我们建议利用一个可逆的生成模型来将这两个分布映射到一个共同的特征空间，然后进行估计。这种特征化使潜在空间中的密度更接近，避开了病态的情况，在这种情况下，输入空间中的学习密度比可能任意不准确。同时，我们的特征映射的可逆性保证了在特征空间中计算的比率与在输入空间中计算的比率是等价的。从经验上讲，我们证明了我们的方法在各种下游任务中的有效性，这些任务需要获得准确的密度比，例如互信息估计，深度生成模型中的目标采样以及数据增强分类。
2021-07-05 cs.LG stat.ML
Redundancy-Aware Test-Time Graph Out-of-Distribution Detection
State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室）；Shen Yuan Honors College（申元荣誉学院）
针对图OOD检测中结构冗余导致性能下降的问题，提出无监督框架RedOUT，通过结构熵最小化与冗余感知图信息瓶颈实现测试时检测，平均提升6.7%。
2025-10-16 cs.LG
High-Dimensional BWDM: A Robust Nonparametric Clustering Validation Index for Large-Scale Data
Helwan University（赫勒万大学）；University of Birmingham（伯明翰大学）；Menoufia University（梅努菲亚大学）；University of Bristol（布里斯托大学）
针对高维和受污染数据下传统聚类有效性指标失效的问题，提出HD-BWDM指标，结合随机投影、PCA与修剪聚类，理论保证一致性，实验证明稳健高效。
2025-10-15 cs.LG stat.ML
Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise
Eindhoven University of Technology（埃因霍温理工大学）；NXP Semiconductors（恩智浦半导体）
针对突发脉冲噪声ISI信道及信道记忆认知不准场景，提出基于HMM无监督学习和NN-HMM混合的数据驱动BCJR检测方法，无需完整CSI即可实现接近最优的误码率性能。
2024-05-17 cs.IT cs.LG eess.SP
Robust contrastive learning and nonlinear ICA in the presence of outliers
Future University Hakodate（公立函馆未来大学）；RIKEN AIP（理化学研究所先进智能项目中心）；University College London（伦敦大学学院）；Université Paris-Saclay（巴黎-萨克雷大学）；Inria（法国国家信息与自动化研究所）；CEA（法国原子能和替代能源委员会）；Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所 HIIT）；University of Helsinki（赫尔辛基大学）
非线性独立成分分析（ICA）是一种无监督表示学习的通用框架，旨在恢复数据中的潜在变量。最近的实用方法通过解决一系列基于逻辑回归的分类问题来执行非线性ICA。然而，众所周知，逻辑回归容易受到离群值的影响，因此离群值会大大削弱其性能。在本文中，我们首先从理论上分析了非线性ICA模型的存在离群值。我们的分析意味着，在非线性ICA估计可以严重阻碍时，离群值存在于（非污染）的目标密度，这发生在一个典型的情况下，由离群值污染的尾部。我们提出了两种基于γ-散度的鲁棒非线性ICA方法，γ-散度是Logistic回归中KL-散度的一种鲁棒替代。所提出的方法具有所需的鲁棒性的非线性ICA的背景下。我们还通过实验证明，所提出的方法是非常强大的，优于现有的方法中存在的离群值。最后，所提出的方法被应用到ICA为基础的因果关系发现，并发现一个合理的因果关系的fMRI数据。
2019-11-01 cs.LG stat.ML
