#异常检测

做日志异常检测的可以看看，同一套检测器换个评估协议，HDFS 和 BGL 上的排名就能变，选模型前先想清楚测试集怎么切。

OpenAI发布新数据集和方法，专门解决社交媒体图片增强后的异常检测问题，比传统方法更准确。

康奈尔大学提出RINSE方法，解决了图异常检测中的领域迁移问题，在8个目标图上表现最佳。

这篇论文提出了一种新方法，能精确定位哪些观测值导致样本偏离参考分布，在LHC奥运会上表现出色。

想要了解如何利用规则增强技术进行关系异常检测的朋友，RAD模型值得一试，它在多个基准测试中表现优异，且易于使用。

这篇论文提出了TimeCatch，一个用于评估视觉语言模型时间一致性的基准，揭示了当前模型在时间异常检测上的不足，值得一读。

研究人员发现日志异常检测器过度自信问题，提出LoRD框架能有效校准模型，提高系统可靠性。

不用跑完整扩散过程，第一次预测噪声就能判断异常，速度快还更准，时序异常检测可以看看这个方法。

这篇论文告诉你，当数据标签很少时，用半监督异常融合比复杂神经网络更靠谱。AAMSF在沪深300上AUC达0.68，而且发现英文新闻反而干扰预警。

这篇论文把量子自编码器跑在FPGA上做高能物理异常检测，效果不输经典方法，而且资源够用，直接能用。

IBM 发的新框架 ClouDens，用图神经网络做云系统异常检测，在真实数据集上比 GRU 模型更准更早，适合做运维监控的朋友看看。

这篇论文用SONAR模型把嵌入维度玩出花了，直接用一致性检测解码异常，还尝试修正，挺有意思的。

这篇论文提出BrReMark，通过先假设再验证的标注机制，大幅提升了脑MRI诊断的可信度和定位精度，值得关注。

SCAN这篇论文用多尺度聚类解决了异常检测的老问题，比之前的方法效果好，搞时序异常检测的值得看看。

CRAFTIIF 解决了多变量时间序列异常检测中四种异常类型难以统一检测的痛点，做运维监控、工业故障诊断或金融风控的团队可以直接用这个无监督框架，无需手动调参就能获得可解释的异常类型归属。

做海事监控或环境敏感异常检测的团队，RGFiLM能直接降低稀有场景下的误报率，值得在AIS数据上试试。

做工业视觉检测的团队会发现，当前号称支持文本引导的模型其实并不听指令——TGAD基准直接戳破了这个泡沫，建议点开看看你的模型是否真的被语言控制。