Anomaly Detection in Multi-Agent Trajectories for Automated Driving
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）
人类驾驶员可以快速识别异常驾驶情况，以避免事故。与人类类似，自动驾驶汽车应该执行异常检测。在这项工作中，我们提出了时空图自动编码器学习正常的驾驶行为。我们的创新是能够共同学习动态数量的代理的多个轨迹。为了执行异常检测，我们首先估计学习的轨迹特征表示的密度函数，然后检测低密度区域中的异常。由于缺乏用于自动驾驶中异常检测的多智能体轨迹数据集，我们使用驾驶模拟器介绍了我们的数据集，用于正常和异常操纵。我们的评估表明，我们的方法学习不同的代理之间的关系，并提供有前途的结果相比，相关的作品。代码、模拟和数据集可在https://github.com/againerju/maad_highway上公开获得。
2021-10-28 cs.LG cs.MA cs.RO
An Automated Data Engineering Pipeline for Anomaly Detection of IoT Sensor Data
University of Western Ontario（西安大略大学）
片上系统（SoC）技术、物联网（IoT）、云计算、人工智能等领域的快速发展，为改善和解决当前问题带来了更多可能。通过数据分析和使用机器学习/深度学习，可以学习底层模式，并根据从物联网传感器生成的海量数据中学到的知识做出决策。当与云计算相结合时，整个管道可以自动化，并且无需人工控制和操作。本文研究并提出了一种用于物联网传感器数据异常检测的自动化数据工程管道的实现。该过程涉及使用物联网传感器、树莓派、亚马逊网络服务（AWS）和多种机器学习技术，旨在为灵巧家庭安全系统识别异常情况。
2021-09-28 cs.CR cs.LG
Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative
The University of Queensland（昆士兰大学）；Australian e-Health Research Centre（澳大利亚电子健康研究中心）；Commonwealth Scientific and Industrial Research Organisation（联邦科学与工业研究组织）
在医学图像分析中，通常具有潜在异常和病理的多组分解剖结构的自动分割是一项具有挑战性的任务。在这项工作中，我们开发了一种多步骤的方法，使用基于U-Net的神经网络，从不同级别骨关节炎患者的膝关节三维磁共振（MR）图像中初步检测股骨远端、胫骨近端和髌骨的异常（骨髓病变、骨囊肿）。随后，提取的数据用于下游任务，包括单个骨骼和软骨体积以及骨骼异常的语义分割。对于异常检测，开发了基于U-Net的模型，通过修复重建图像中股骨和胫骨的骨骼轮廓，以便将异常骨骼区域替换为接近正常的外观。重建误差用于检测骨骼异常。第二个异常感知网络（与异常初始分割网络进行比较）用于从包含骨异常谱的膝关节MR图像中提供股骨、胫骨和髌骨骨和软骨的最终自动分割。与来自异常初始分割网络的结果相比，异常感知分割方法为骨分割提供了高达58%的Hausdorff距离减少。此外，与异常初始分割网络（AUC高达0.874）相比，异常感知网络能够以更高的灵敏度和特异性（AUC高达0.896）检测MR图像中的骨病变。
2022-12-01 cs.CV cs.LG eess.IV
Automated Model Selection for Time-Series Anomaly Detection
Microsoft（微软）
时间序列异常检测是学术界和工业界的热门课题。许多公司需要监控其应用程序和服务的数千个时间信号，并需要及时获得潜在事件的即时反馈和警报。这项任务是具有挑战性的，因为时间序列的复杂特性，这是混乱的，随机的，往往没有适当的标签。由于缺乏标签，这禁止训练监督模型，并且单个模型很难适应不同的时间序列。在本文中，我们提出了一个解决方案来解决这些问题。我们提出了一个自动化的模型选择框架，自动找到最合适的检测模型与适当的参数输入数据。模型选择层是可扩展的，因为当新的检测器可用于服务时，它可以被更新而不需要太多的工作。最后，我们结合了一个定制的调整算法，以灵活地过滤异常，以满足客户的标准。在真实数据集上的实验表明了该方法的有效性。
2020-08-25 cs.LG eess.SP
Automated Batch Distillation Process Simulation for a Large Hybrid Dataset for Deep Anomaly Detection
Fraunhofer Institute for Industrial Mathematics (ITWM)（弗劳恩霍夫工业数学研究所）；Laboratory of Engineering Thermodynamics (LTD)（工程热力学实验室）；RPTU Kaiserslautern（科隆大学（卡塞尔拉特恩分校））
本文通过结合实验数据与模拟数据构建混合数据集，实现批量蒸馏过程的自动化模拟，为深度异常检测提供新的数据基础。
2026-09-01 cs.LG
Probabilistic Sampling-Enhanced Temporal-Spatial GCN: A Scalable Framework for Transaction Anomaly Detection in Ethereum Networks
Geneva School of Business Administration（日内瓦工商管理学院）；Alan Turing Institute（艾伦·图灵研究所）
针对以太坊网络交易异常检测中难兼顾时空模式的问题，提出融合概率采样增强的时间随机游走与GCN的TRW-GCN框架，提升检测性能，为去中心化平台安全提供可扩展方案。
2023-09-29 cs.AI cs.CR cs.LG
Towards Scalable IoT Deployment for Visual Anomaly Detection via Efficient Compression
University of Padova（帕多瓦大学）
本研究通过高效压缩技术，在受限的物联网环境中实现视觉异常检测的可扩展部署，显著减少推理时间的同时保持检测性能。
2025-07-28 cs.AI cs.CV
Scalable anomaly detection via a univariate Christoffel function
LAAS-CNRS（法国国家自动控制研究所）；University of Toulouse（图卢兹大学）；CNRS（国家科学研究中心）；Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电子工程系）
针对Christoffel函数方法因矩阵大小随维度指数增长而难以应用于高维数据的问题，提出基于查询点与支撑点间平方距离的单变量Christoffel函数（UCF），在ADBench基准上平均精度优于14种基线方法。
2026-06-12 cs.LG
Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge Health Monitoring
University of Bologna（博洛尼亚大学）；University of Trento（特伦托大学）；ETH Zurich（苏黎世联邦理工学院）
现代实时的【形】结构健康监测系统可以生成大量的信息，这些信息必须经过处理和评估，以检测早期异常并生成有关民用基础设施状况的及时警告和警报。如果必须从数千座建筑物中收集原始数据，则当前基于云的解决方案无法扩展。本文提出了一种用于SHM系统的高效且可扩展的异常检测管道的全栈部署，该系统不需要将原始数据发送到云端，而是依赖于边缘计算。首先，我们对异常检测的三种算法方法进行基准测试，即，主成分分析（PCA）、全连接自动编码器（FC-AE）和卷积自动编码器（C-AE）。然后，我们将它们部署在边缘传感器STM32 L4上，该传感器具有有限的计算能力。我们的方法将网络流量减少了$\approx8\cdot10^5\times$，从780 KB/小时减少到单个安装的不到10 KB/小时，并最大限度地减少了网络和云资源利用率，从而实现了监控基础设施的扩展。一个真实的案例研究，在意大利的一座公路桥，表明结合近传感器计算的异常检测算法，智能预处理，和低功耗广域网络协议（LPWAN），我们可以大大降低数据通信和云计算成本，而异常检测的准确性不会受到不利影响。
2022-03-10 cs.LG cs.NI eess.SP
LightESD: Fully-Automated and Lightweight Anomaly Detection Framework for Edge Computing
Missouri University of Science and Technology（密苏里科技大学）
针对边缘设备与中央服务器间数据传输带来高延迟与能耗的问题，提出全自动化轻量级端侧异常检测框架LightESD，无需手动调参即可自适应数据集，在准确率、效率和资源消耗上优于SOTA方法。
2023-05-20 cs.CR cs.LG
SCADE: Scalable Framework for Anomaly Detection in High-Performance System
Microsoft Security Research（微软安全研究院）
针对高性能计算环境中命令行异常难检测的问题，提出结合全局统计与局部分析的无监督框架SCADE，用BM25、对数熵和动态阈值在低信噪比下检测恶意命令，准确率超98%且误报低，为高算力环境网络安全提供稳健方案。
2024-12-09 cs.CR cs.LG
A Scalable and Generalized Deep Learning Framework for Anomaly Detection in Surveillance Videos
University of Technology（技术大学）；Queensland University of Technology（昆士兰科技大学）；Mustansiriyah University（穆斯坦西里亚大学）；University of Thi-Qar（济加尔大学）
本文提出一种结合迁移学习、模型融合与多任务分类的通用深度学习框架，无需为新任务从头重训即可在多个监控视频异常检测数据集上取得高准确率，首次解决该领域的泛化难题。
2024-07-17 cs.AI cs.CV cs.LG
Warping Resilient Scalable Anomaly Detection in Time Series
IIT Palakkad（帕拉克卡德印度理工学院）；Queen’s University Belfast（贝尔法斯特女王大学）
时间序列数据在包括医疗保健、社交媒体和犯罪监控在内的各个领域的现实问题中无处不在。在时间序列数据中检测异常或不规则和罕见事件，可以使我们能够在任何自然现象中发现异常事件，这可能需要特殊处理。此外，标记的异常实例很难在时间序列数据中获得。另一方面，时间序列数据，由于其性质，往往表现出局部膨胀和压缩的时间维度，这就是所谓的翘曲。这两个挑战使得难以检测时间序列中的异常，因为通常这种扭曲可能被错误地检测为异常。我们的目标是建立一个异常检测模型，是强大的这种翘曲变化。在本文中，我们提出了一种新的无监督的时间序列异常检测方法，WaRTEm-AD，分两个阶段进行操作。在表示学习的关键阶段，我们采用数据增强，通过定制的时间序列操作符，通过一个双自动编码器架构，学习扭曲的时间序列数据的鲁棒表示。其次，采用最先进的异常检测方法的适应性学习表示，以识别异常。我们将说明WaRTEm-AD旨在检测两种类型的时间序列异常：点和序列异常。我们将WaRTEm-AD与最先进的基线进行比较，并在异常检测性能和计算效率方面建立了我们的方法的有效性。
2021-10-02 cs.LG stat.ML
RoseCDL: Robust and Scalable Convolutional Dictionary Learning for Rare event and Anomaly Detection
Université Paris-Saclay, Inria, CEA（巴黎-萨克雷大学，法国国家信息与自动化研究所，法国国家科学研究中心）；Université Paris-Saclay, Inria, CNRS, Laboratoire Interdisciplinaire des Sciences du Numériques（巴黎-萨克雷大学，法国国家信息与自动化研究所，法国国家科学研究中心，跨学科数字科学实验室）
RoseCDL通过高效训练和在线异常检测方法，提升大规模信号中稀有事件和异常检测的鲁棒性和效率。
2026-04-28 cs.LG
Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach
State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）；Nanjing University（南京大学）；National Engineering Laboratory for Big Data Analysis and Applications（大数据分析与应用国家工程实验室）；Peking University（北京大学）
SAGAD通过自适应融合和频率偏好指导损失，有效缓解图异常检测中的同质性差异，实现高效且可扩展的异常检测
2026-03-09 cs.LG
Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations
University of Victoria（维多利亚大学）；LlamaZOO Interactive Inc.（LlamaZOO互动公司）；National Research Council Canada（加拿大国家研究委员会）；Fives Lund LLC（Fives Lund有限责任公司）
针对自动纤维铺放缺陷检测中带标签缺陷样本稀缺的问题，提出结合无监督深度学习与经典计算机视觉的框架，利用工艺对称性扩充数据，通过自编码器重建误差与斑点检测实现异常定位，性能媲美现有方法且无需大量标注数据。
2023-08-15 cs.AI cs.CV cs.LG
Automated Antenna Testing Using Encoder-Decoder-based Anomaly Detection
Huawei Tech.（华为技术）；TU Munich（慕尼黑工业大学）；Huawei Technologies（华为技术）
我们提出了一种用于测试天线阵列的新方法，该方法使用吸收材料记录辐射电磁（EM）场，并使用条件编码器-解码器模型通过AI评估所产生的热图像系列。给定馈入每个阵列元件的信号的功率和相位，我们能够通过我们的训练模型重建正常序列，并将其与热成像相机观察到的真实序列进行比较。这些热谱图仅包含低级别模式，例如各种形状的斑点。然后，基于轮廓的异常检测器可以将重建误差矩阵映射到异常分数，以识别故障天线阵列，并将分类F-度量（F-M）增加高达46%。我们展示了我们的天线测试系统收集的时间序列热谱图上的方法。常规地，变分自编码器（VAE）学习观测噪声可产生比具有恒定噪声假设的VAE更好的结果。然而，我们证明，这是不是这样的低级别模式的异常检测的情况下，有两个原因。第一，基线度量重建概率，其中包括学习的观察噪声，无法区分异常模式。第二，具有较低观测噪声假设的VAE的受试者工作特征（ROC）曲线下的面积比具有学习噪声的VAE高11.83%。
2021-11-27 cs.LG eess.SP
SMT-AD: a scalable quantum-inspired anomaly detection approach
Science, Mathematics and Technology Cluster, Singapore University of Technology and Design（新加坡科技设计大学科学、数学与技术集群）；Centre for Quantum Technologies, National University of Singapore（新加坡国立大学量子技术中心）；Artificial Intelligence and Data Analytics Strategic Technology Centre, ST Engineering（ST工程人工智能与数据分析战略技术中心）；Engineering Product Development Pillar, Singapore University of Technology and Design（新加坡科技设计大学工程产品开发支柱）
提出基于多分辨率张量叠加的量子启发式异常检测方法SMT-AD，通过傅里叶辅助特征嵌入和矩阵乘积算子实现线性可扩展，在标准数据集上取得竞争性能。
2026-06-19 cond-mat.stat-mech cs.LG quant-ph
A scalable framework for annotating photovoltaic cell defects in electroluminescence images
Vicomtech Foundation, Basque Research and Technology Alliance（Vicomtech基金会，巴斯克研究与技术联盟）
光伏（PV）电池的正确运行对于确保太阳能发电厂的最佳性能至关重要。用于PV电池的异常检测技术可以显著节省操作和维护（O&M）的成本。最近的研究集中在用于自动检测电致发光（EL）图像中的异常的深度学习技术上。自动异常注释可以改进当前的O&M方法，并帮助开发决策系统，以延长光伏电池的生命周期并预测故障。本文通过结合最先进的数据驱动技术来创建黄金标准基准，解决了文献中缺乏异常分割注释的问题。所提出的方法突出了（1）其对新光伏电池类型的适应性，（2）具有成本效益的微调，以及（3）利用公共数据集生成高级注释。该方法已在一个广泛使用的数据集的注释中得到验证，注释成本降低了60%。
2022-12-15 cs.AI cs.CV cs.LG
Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks
organization= Dept. of Computer Science \& Engg., International Institute of Information Technology , city= Bhubaneswar , postcode= 751003 , state= Odisha , country= India；organization= Dept. of Computer Science, Maharaja Sriram Chandra Bhanja Deo University , city= Baripada , postcode= 757003 , state= Odisha , country= India
针对大规模自动驾驶车辆网络实时异常检测的挑战，本文提出三层混合安全架构HAVEN，通过解耦实时本地检测与分布式协同，实现低于10ms的检测延迟、94%准确率及拜占庭容错，提升网络安全性与可扩展性。
2025-11-16 cs.AI cs.CR cs.LG
What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series
EDF R&D（法国电力集团研发部）；Inria, ENS, CNRS, PSL（法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学）
本研究比较了流式方法与在线TSAD模型在真实核电站数据上的异常检测性能，发现在线TSAD一致性更高，集成策略鲁棒性强。
2026-10-01 cs.AI cs.LG
Toward Scalable Automated Repository-Level Datasets for Software Vulnerability Detection
本文提出自动化生成仓库级数据集的方法，通过注入真实漏洞并合成可复现的漏洞证明，提升漏洞检测模型的训练与评估效果，同时研究注入与检测代理的对抗共进化循环以增强鲁棒性。
2026-03-18 cs.AI cs.SE
MOSPAT: AutoML based Model Selection and Parameter Tuning for Time Series Anomaly Detection
Meta
组织利用异常和变点检测算法来检测用户行为或服务可用性和性能的变化。许多现成的检测算法虽然有效，但不能容易地用于大型组织，其中数千名用户监视数百万个用例和具有不同时间序列特征和异常模式的指标。对于每个用例，算法和参数的选择都需要精确：手动调优无法扩展，自动调优需要基本事实，而这很少可用。在本文中，我们探讨MOSPAT，一个端到端的自动化的机器学习为基础的模型和参数选择的方法，结合生成模型，以产生标记的数据。我们的可扩展端到端系统允许大型组织中的个人用户根据其特定用例和数据特征定制时间序列监控，而无需异常检测算法的专业知识或费力的手动标记。我们对真实数据和合成数据的大量实验表明，该方法始终优于使用任何单一算法。
2022-05-24 cs.LG
FACADE: A Framework for Adversarial Circuit Anomaly Detection and Evaluation
Stanford University（斯坦福大学）
本研究提出新型概率几何框架FACADE，用于深度神经网络无监督机制性异常检测，通过生成电路概率分布分析伪类流形属性变化，助力理解与缓解对抗攻击，提升模型鲁棒性与可扩展监督能力，具实际部署潜力。
2023-07-20 cs.AI cs.LG
Scalable Anomaly Detection in Large Homogenous Populations
Department of Electrical Engineering and Computer Sciences, University of California at Berkeley（电气工程与计算机科学系，加州大学伯克利分校）
本文提出一种优化方法解决大规模同质群体中的异常检测问题，通过将问题转化为凸优化问题实现分布式求解，并在特定条件下保证解的精确性。
2013-09-20 cs.DC cs.LG cs.SY
MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach
Department of Computer Science, Ben-Gurion University of the Negev（内盖夫本古里安大学计算机科学系）；Israel Atomic Energy Commission（以色列原子能委员会）；Department of Physics, Nuclear Research Center-Negev（内盖夫核研究中心物理系）；Department of Materials, Nuclear Research Center-Negev（内盖夫核研究中心材料系）；Ben-Gurion University of the Negev（本古里安大学）；Nuclear Research Center-Negev（内盖夫核研究中心）；Ben-Gurion University of the Negev, Be’er Sheva, Israel（本古里安大学，以色列贝尔谢巴）；Israel Atomic Energy Commission, Tel Aviv, Israel（以色列原子能委员会，特拉维夫，以色列）；Nuclear Research Center-Negev, Be’er-Sheva, Israel（内盖夫核研究中心，贝尔谢巴，以色列）
大多数工程合金的显微组织中都含有一些夹杂物和析出物，这些夹杂物和析出物会影响合金的性能，因此对其进行表征至关重要。在这项工作中，我们专注于开发一种最先进的人工智能模型，用于异常检测，名为MLography，以自动量化合金中杂质的异常程度。为此，我们介绍了几种异常检测措施：空间，形状和面积异常，成功地检测到最异常的对象的基础上，他们的目标，鉴于杂质已经标记。前两个度量分别通过每个对象与其邻域相比的距离和大小以及其自身形状的异常来量化每个对象的异常程度。最后一项措施结合了前两项，并突出显示了所有输入图像中最异常的区域，以供以后（物理）检查。基于几个有代表性的案例，提出并分析了该模型的性能。我们强调，虽然这里提出的模型是为金相分析开发的，但它们中的大多数可以推广到更广泛的问题，其中需要对几何对象进行异常检测。所有模型以及为这项工作创建的数据集都可以在https://github.com/matanr/MLography上公开获得。
2020-02-27 cs.CV cs.LG eess.IV
Textile Anomaly Detection: Evaluation of the State-of-the-Art for Automated Quality Inspection of Carpet
The University of Auckland（奥克兰大学）；Bremworth Ltd（布雷莫思有限公司）
本研究评估了最先进的无监督检测模型在羊毛地毯自动化异常检测中的表现，发现基于师生网络的方法在多类数据集上平均检测准确率最高且误检率最低，除生成模型外其他模型在GPU上推理时间平均为0.16s。
2024-07-26 cs.CV cs.LG
Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving
Aarhus University（奥胡斯大学）；Technicon ApS
在制造应用中检测故障可能是困难的，特别是如果每个故障模型都是手工设计的。使用机器学习（ML）检测故障的数据驱动方法最近获得了越来越多的关注，其中ML模型可以在来自制造过程的一组数据上进行训练。在本文中，我们提出了一个使用ML模型在自动螺丝操作过程中检测故障的用例，并介绍了一个新的数据集，其中包含在正常和异常操作期间来自通用机器人和OnRobot螺丝刀的完全监控和注册数据。我们使用两个时间序列ML模型来说明如何在自动螺丝驱动应用程序中检测故障。
2021-07-05 cs.LG cs.RO
LLM-Enhanced Log Anomaly Detection: A Comprehensive Benchmark of Large Language Models for Automated System Diagnostics
Department of Computer Science（计算机科学系）；California State University, Fullerton（加州州立大学弗雷斯诺分校）
本文通过四个公开数据集评估了基于大语言模型和传统方法的日志异常检测，发现微调的Transformer模型在F1分数上表现最佳，而基于提示的LLM在零样本设置中展现出显著优势，且无需标注数据。
2026-04-14 cs.LG cs.SE
An Ensemble Approach toward Automated Variable Selection for Network Anomaly Detection
Texas A&M University（得克萨斯农工大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；ETRI（电子通信研究院）
虽然变量选择对于通过对特征进行优先级排序来优化学习复杂性是必不可少的，但自动化选择过程是首选，因为它需要进行大量的分析。然而，由于几个原因，实现自动化并不是一件容易的任务。首先，选择技术通常需要一个条件来终止约简过程，例如，通过使用阈值或特征的数量来停止，并且搜索适当的停止条件是非常具有挑战性的。其次，不确定减少的变量集是否会很好地工作;我们的初步实验结果表明，众所周知的选择技术产生不同的变量集作为减少的结果（即使具有相同的终止条件），并且很难估计其中哪一个在未来的测试中工作得最好。在本文中，我们展示了我们的方法的选择过程，结合知名的选择方法，识别重要变量的自动化的潜在力量。我们对两个公共网络流量数据（UNSW-NB 15和IDS 2017）的实验结果表明，我们提出的方法识别了少量的核心变量，使用这些变量可以近似于具有全部变量的性能。
2019-10-28 cs.LG cs.NI stat.ML
Automated Real-time Anomaly Detection in Human Trajectories using Sequence to Sequence Networks
National Center for Scientific Research “Demokritos”（国家科学研究中心“德谟克利特”）；Imperial College London（伦敦帝国学院）
针对非平稳高维人体轨迹的实时异常检测问题，提出 Sequence to Sequence 架构，并在 ISL iCrowd 合成轨迹数据集上验证其可准确识别偏离正常行为的运动模式。
2019-07-15 cs.CV cs.LG eess.IV
Lane-Wise Highway Anomaly Detection
Purdue University（普渡大学）
本文提出基于AI视觉模型的车道级高速公路异常检测框架，通过融合深度学习、规则逻辑和机器学习，在包含73,139个样本的新数据集上实现了优于现有方法的检测性能。
2025-05-05 cs.LG eess.IV
Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels
Dept. of AI, Big Data and Cloud（人工智能、大数据和云计算部门）
本文提出一种基于仅解码器大语言模型的ECU通信日志异常检测方法，通过熵正则化和最小示例学习，解决标签不一致与人工标注成本高的问题。
2025-07-01 cs.LG
Framing Algorithmic Recourse for Anomaly Detection
Virginia Tech（弗吉尼亚理工大学）；University of Texas, Dallas（德克萨斯大学达拉斯分校）
算法追索权的问题已经被探索用于监督机器学习模型，以从决策支持系统提供更可解释、透明和鲁棒的结果。一个未探索的领域是异常检测的算法资源，特别是对于只有离散特征值的表格数据。这里的问题是提出一组被底层异常检测模型视为正常的反事实，以便应用程序可以利用此信息进行解释或推荐对策。本文提出了一种有效的、可扩展的、对底层异常检测模型不可知的方法--表数据中异常的上下文保持查询追索权（CARAT）。CARAT使用基于Transformer的编码器-解码器模型，通过查找具有低可能性的特征来解释异常。随后，通过修改突出显示的特征，使用异常实例中特征的整体上下文来生成语义上连贯的反事实。大量的实验有助于证明CARAT的功效。
2022-06-29 cs.AI cs.LG stat.ME
A Giant-Step Baby-Step Classifier For Scalable and Real-Time Anomaly Detection In Industrial Control Systems and Water Treatment Systems
Swansea University（斯旺西大学）
本文提出了一种基于线性化非线性关系的异常检测方法，通过水处理测试平台验证，实现毫秒级异常检测，兼具速度与可解释性，准确率达97.72%。
2026-04-08 cs.CR cs.LG
Anomaly Detection for Fraud in Cryptocurrency Time Series
Ben Gurion University of the Negev（内盖夫本-古里安大学）；HUB Security（HUB安全公司）
自2009年比特币问世以来，加密货币市场的增长超出了最初的预期，每日交易额超过100亿美元。随着行业的自动化，对自动欺诈检测器的需求变得非常明显。实时的检测异常可防止潜在的事故和经济损失。多变量时间序列数据中的异常检测提出了一个特殊的挑战，因为它需要同时考虑变量之间的时间依赖性和关系。实时的识别异常并不是一件容易的事情，特别是因为他们观察到的精确的行为。一些点可能呈现逐点全局或局部的周期性行为，而其他点可能由于其频率或季节性行为或由于趋势的变化而具有周期性。在本文中，我们建议从特定账户进行以太坊的实时的系列交易，并调查了各种不同的传统和新算法。我们根据他们搜索的策略和行为进行分类，并表明当将它们捆绑在一起时，他们可以证明是一个很好的实时检测器，报警时间不超过几秒钟，并且具有非常高的置信度。
2022-07-23 cs.CR 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
A Study on Unsupervised Anomaly Detection and Defect Localization using Generative Model in Ultrasonic Non-Destructive Testing
Graduate School of Science and Technology, Gunmma University（群马大学理工学研究生院）；Faculty of Informatics, Gunmma University（群马大学信息学部）
本研究提出基于扩散模型的无监督异常检测方法，用于激光超声无损检测中的缺陷定位，仅用无缺陷数据训练，实验证明优于传统目标检测算法。
2024-05-26 cs.CV cs.LG eess.IV
Random Subspace Mixture Models for Interpretable Anomaly Detection
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland（马里兰大学）
我们提出了一种新的基于子空间的方法来构建高维数据的概率模型，并强调其在异常检测中的应用。该方法是基于概率密度的统计估计，使用随机子空间的密度与几何平均相结合。在选择随机子空间时，使用每个属性的相等表示来确保正确的统计极限。高斯混合模型（GARCH）用于创建每个子空间的概率密度，包括减轻奇异性的技术，允许处理数值和类别属性的能力。通过贝叶斯信息准则自动确定每个GMM的分量数，以防止过拟合。与针对基准异常检测数据集的突出算法相比，所提出的算法获得了具有竞争力的AUC分数，并具有简单，可扩展和可解释的额外好处。
2021-08-13 cs.AI cs.LG stat.ML
Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation
University of Amsterdam（阿姆斯特丹大学）；Department of Radiology, The Netherlands Cancer Institute（荷兰癌症研究所放射科）；GROW Research Institute for Oncology and Reproduction, Maastricht University（马斯特里赫特大学肿瘤学与生殖医学研究学院）
提出adU-Net，将双参数MRI生成的异常图整合进深度学习分割框架，通过Fixed-Point GAN重建突出病变区域，在外部测试集上以0.618平均得分优于nnU-Net，提升了csPCa识别的泛化与性能。
2025-04-30 cs.CV cs.LG
A Stacked Autoencoder Neural Network based Automated Feature Extraction Method for Anomaly detection in On-line Condition Monitoring
Nanyang Technological University（南洋理工大学）
状态监测是所有主要过程工业中的常规任务之一。电机、齿轮、轴承等机械部件是流程工业的主要组成部分，它们中的任何一个故障都可能导致整个流程的完全关闭，这可能导致严重的损失。因此，在缺陷发生之前对其进行预测是非常重要的。为此目的存在几种方法，并且正在进行许多研究以获得更好和更有效的模型。然而，它们中的大多数是基于原始传感器信号的处理，这是繁琐和昂贵的。最近，基于特征的状态监测已经有所增加，其中仅从原始信号中提取有用的特征并解释用于故障的预测。其中大多数是手工制作的功能，这些功能是根据原始数据的性质手动获得的。这当然需要事先了解数据的性质和相关过程。这限制了特征提取过程。然而，基于自动编码器的特征提取方法的最新发展提供了传统手工方法的替代方案;然而，它们大多局限于图像和音频处理领域。在这项工作中，我们已经开发了一种自动化的特征提取方法在线状态监测的基础上堆栈的传统autoencoder和在线顺序极端学习机（OSELM）网络。该方法的性能与传统的特征提取方法相当。该方法可以达到100%的检测准确率确定美国宇航局轴承数据集的轴承健康状态。这种方法的简单设计对于基于物联网（IoT）的自动化解决方案的简单硬件实现是有希望的。
2018-10-19 cs.LG stat.ML
Anomaly Detection and Automated Labeling for Voter Registration File Changes
VoteShield（投票盾牌）；Protect Democracy（保护民主组织）
美国选举中的选民资格是由各州数据库拼凑而成的，这些数据库包含了哪些公民有资格投票的信息。州和地方一级的管理人员面临着极其困难的任务，即确保其每个管辖区得到适当管理，同时还要监测对数据库的不当修改。监测选民登记文件（VRF）的变化至关重要，因为希望破坏美国民主进程的恶意行为者将被建议操纵这些文件的内容以实现其目标。2020年，我们看到选举官员在管理美国历史上最具争议的选举之一时表现令人钦佩，但仍有许多工作要做，以保护和监控美国人所依赖的选举系统。使用通过比较随时间推移拍摄的VRF快照而创建的数据，我们提出了一套利用机器学习的方法，以减轻分析师和管理员在保护选民名册方面的负担。我们首先评估了多个无监督异常检测方法的有效性，在检测VRF修改建模异常变化稀疏加性噪声。在这种情况下，我们确定，统计模型比较行政区在很短的时间跨度和非负矩阵分解是最有效的浮出水面的异常事件进行审查。这些方法在2019-2020年期间部署在我们组织的监测系统中，并与爱荷华州国务卿办公室合作使用。此外，我们提出了一个新部署的模型，它使用历史和人口统计元数据来标记数据库修改的可能根本原因。我们希望使用这个模型来预测哪些修改具有已知的原因，从而更好地识别潜在的异常修改。
2021-06-16 cs.CR cs.CY cs.LG
Rethinking Spatio-Temporal Anomaly Detection: A Vision for Causality-Driven Cybersecurity
Arizona State University（亚利桑那州立大学）；University of Kansas（堪萨斯大学）
本文针对黑盒深度学习在时空异常检测中可解释性差、适应性和鲁棒性不足的问题，提出基于因果学习的视角，通过因果图分析、多视图融合和持续因果图学习三个方向，构建可扩展、自适应且可解释的网络安全异常检测系统。
2025-07-10 cs.AI cs.ET cs.LG
Anomaly detection in the dynamics of web and social networks
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
在这项工作中，我们提出了一种新的，快速和可扩展的方法在大型时间演化图的异常检测。它可以是具有动态节点属性（例如时间序列）的静态图，或者是随时间演变的图，例如时间网络。我们将异常定义为节点集群中时间活动的局部增加。该算法是无监督的。它能够检测和跟踪动态网络中的异常活动，尽管有来自多个干扰源的噪声。我们使用Hopfield网络记忆模型来结合图形和时间信息。我们表明，异常可以发现一个很好的精度使用记忆网络。所提出的方法是可扩展的，我们提供了一个分布式实现的算法。为了证明其效率，我们将其应用到两个数据集：安然电子邮件数据集和维基百科页面浏览量。我们表明，异常尖峰是由影响网络动态的现实世界事件触发的。此外，集群的结构和与检测到的事件相关的时间演化分析揭示了人类如何互动，交换和搜索信息的有趣事实，为大型动态数据集上的集体和社会行为的新定量研究打开了大门。
2019-01-22 cs.LG cs.SI
Anomaly Detection Models for IoT Time Series Data
原位传感器和无线传感器网络（WSNs）在过去十年中变得越来越流行，这是由于它们在许多不同领域的各种应用中的潜力。到目前为止，无线传感器网络几乎被任何监测系统所使用：从与医疗保健相关的监测系统到用于环境预测或监测目的的监测系统。所有使用现场传感器的应用都非常依赖于其正确的操作，然而，这是很难保证的。事实上，这些传感器通常很便宜，而且容易发生故障。此外，对于许多任务（例如环境预报），传感器也部署在潜在的恶劣天气条件下，使其更有可能损坏。在传输过程中错误读数或数据损坏的高概率带来了确保传感器收集的数据质量的问题。由于无线传感器网络必须连续运行，因此每天都要产生大量的数据，因此质量控制过程必须是自动化的，可扩展的，并且足够快，以适用于流数据。确保传感器数据质量的最常见方法包括自动检测传感器的错误读数或异常行为。在文献中，这种策略被称为异常检测，可以以许多不同的方式进行。
2018-11-30 cs.LG eess.SP
Time Series Anomaly Detection with label-free Model Selection
Palo Alto Networks（帕洛阿尔托网络公司）
时间序列数据的异常检测成为许多数据驱动应用程序的一项重要任务，这些应用程序拥有丰富的数据和开箱即用的机器学习算法。在许多现实环境中，开发一个可靠的异常模型是非常具有挑战性的，由于不足的异常标签和异常的例子获得成本昂贵。它提出了一个重要的瓶颈，以评估模型的质量，模型选择和参数调整可靠。因此，许多现有的异常检测算法在部署后未能显示出它们所承诺的性能。在本文中，我们提出了LaF-AD，一种新的异常检测算法与无标记的模型选择的未标记的时间序列数据。我们提出的算法在大量的候选参数模型中执行完全无监督的集成学习。我们开发了一个模型方差度量，量化的异常概率的灵敏度与自举方法。然后，它作出集体决策的异常事件的模型学习器使用的模型方差。我们的算法是很容易并行化，更强大的病态和季节性的数据，大量的异常模型和高度可扩展性。我们评估我们的算法对其他国家的最先进的方法合成域和基准公共数据集。
2021-06-11 cs.LG
On the Effectiveness of Log Representation for Log-based Anomaly Detection
Polytechnique Montreal（蒙特利尔理工学院）
本文系统比较了六种日志表示技术在四个公开日志数据集和七种机器学习模型上的异常检测效果，并分析了日志解析与特征聚合的影响，为自动化日志分析工作流中的表示技术选择提供了实证指导。
2024-04-08 cs.LG cs.SE
Prescriptive Agents based on RAG for Automated Maintenance (PARAM)
本文提出PARAM系统，将轴承振动频率数据序列化为自然语言并结合多智能体RAG检索维护知识，由Gemini生成结构化维护建议，实现从异常检测到可操作维护决策的智能支持。
2025-08-20 cs.AI cs.CL cs.LG
Efficient Nonlinear RX Anomaly Detectors
当前的异常检测算法通常受到准确性或效率的挑战。更精确的非线性检测器通常速度慢且不可扩展。在这封信中，我们提出了两个家庭的技术，以提高效率的标准核Reed-Xiaoli（RX）的方法进行异常检测，通过近似核函数与{ \em数据无关}随机傅立叶特征或{ \em数据相关}的基础与Nyström方法。我们比较所有的方法，真正的多光谱和高光谱图像。我们表明，所提出的高效方法具有较低的计算成本，由于其隐式正则化效应，它们的性能与标准内核RX算法相似（或优于标准内核RX算法）。最后但并非最不重要的是，Nyström方法具有改进的检测能力。
2020-12-07 cs.CV cs.LG eess.IV
Evaluating Modern Visual Anomaly Detection Approaches in Semiconductor Manufacturing: A Comparative Study
University of Padova（帕多瓦大学）
针对半导体制造中监督检测依赖异常标注样本的问题，本文基于 MIIC 数据集构建 VAD 基准，比较验证现代无监督视觉异常检测方法的有效性。
2025-05-12 cs.AI cs.CV
Out-Of-Bag Anomaly Detection
Zillow Group（Zillow集团）
数据异常在现实世界的数据集中无处不在，并且可能对机器学习（ML）系统产生不利影响，例如自动房屋估价。检测异常可以使ML应用程序更加可靠和可靠。然而，缺乏异常的标签和真实世界数据集的复杂性使得异常检测成为一个具有挑战性的无监督学习问题。在本文中，我们提出了一种新的基于模型的异常检测方法，我们称之为Out-of- Bag异常检测，它处理由数值和分类特征组成的多维数据集。该方法将无监督问题分解为一组集成模型的训练。利用袋外估计来导出用于异常检测的有效措施。我们不仅通过对基准数据集的综合实验证明了我们方法的最新性能，而且通过对房屋估价的案例研究表明，我们的模型可以提高ML系统作为数据预处理步骤的准确性和可靠性。
2020-09-20 cs.LG stat.ML
On the Impact of Object and Sub-component Level Segmentation Strategies for Supervised Anomaly Detection within X-ray Security Imagery
Durham University（杜伦大学）
X射线安全检查被广泛使用，以维护运输安全，防止各种潜在的威胁。特别令人感兴趣的是，最近的重点是使用自动筛选方法，包括潜在的异常检测作为复杂电子物品内隐藏检测的方法。在这里，我们解决这个问题，考虑不同的分割策略，使使用对象级和子组件级异常检测通过使用二次卷积神经网络（CNN）架构。相对性能进行评估，在一个广泛的数据集的示范杂乱的X射线图像，重点是消费电子产品。我们发现，子组件级分割在通过分类阶段的二次异常检测中产生了略微优越的性能，异常的真阳性率为~98%，假阳性率为~3%。
2019-11-19 cs.CV cs.LG eess.IV
OutlierNets: Highly Compact Deep Autoencoder Network Architectures for On-Device Acoustic Anomaly Detection
University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；DarwinAI Corp.（DarwinAI公司）
人类操作员经常通过异常声音诊断工业机械。自动声学异常检测可以实现机器的可靠维护。然而，深度学习驱动的异常检测方法通常需要大量的计算资源，这阻止了它们在工厂中的部署。在这里，我们探索了一种机器驱动的设计探索策略来创建OutlierNets，这是一系列高度紧凑的深度卷积自动编码器网络架构，具有少至686个参数，模型大小小至2.7 KB，低至280万FLOP，检测精度匹配或超过具有多达400万个参数的已发布架构。此外，CPU加速延迟实验表明，OutlierNet架构可以实现比已发布网络低21倍的延迟。
2021-04-19 cs.CV cs.LG cs.NE
MAU-GPT: Enhancing Multi-type Industrial Anomaly Understanding via Anomaly-aware and Generalist Experts Adaptation
MAU-GPT通过异常感知和通用专家适应机制，提升多类型工业异常理解的性能，实现更高效的质量控制。
2026-02-12 cs.AI cs.CV eess.IV
