AITOP

异常检测

共 20 条相关 AI 资讯
8月19日
11:39
8月18日
10:02
10:02官方账号arXiv cs.AI@Ali Boudaghi, Alireza Nemati, Hadi Zare
FirstDiff 提出基于初始噪声预测的异常检测框架，只需一次去噪网络评估即可完成推理，无需走完整个反向扩散轨迹。它利用验证数据对正常行为下的预测扩散噪声进行统计建模，从而从单次评估中推断异常。FirstDiff 采用 Diffusion Transformer 作为去噪骨干，以建模复杂的时间与传感器间依赖。在五个公开基准数据集上，FirstDiff 达到最先进性能，同时将扩散推理从完整反向轨迹缩减为单次去噪评估。
AI模型FirstDiff扩散模型异常检测
推荐理由：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。
原文
8月2日
13:47
7月28日
09:44
09:44官方账号arXiv cs.LG@Jin Qian, Zhangzhi Xiong, Mingrui Li, Zhen Liu
论文提出AAMSF（异常增强多信号融合）半监督框架，在CSI 300数据集（791个训练日仅约80个正样本）上，AAMSF实现测试AUC-ROC 0.680，优于最强无监督基线（0.630）和神经网络基线（0.588）。T-AAMSF时间扩展版本将PR-AUC提升至0.291。消融实验显示GDELT事件与国内财经新闻提供互补风险信号，而英文媒体持续降低性能。研究建议在标签稀缺的金融风险预警中，稳健异常几何与源可靠性比监督表示能力更重要。
论文AAMSFT-AAMSF异常检测
推荐理由：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。
原文
7月23日
12:03
12:03官方账号arXiv cs.LG@Ivan Ge, Sagar Addepalli, Abhilasha Dave, Julia Gonski
该研究在变分量子自编码器模型上实现实时异常检测触发，性能与经典SOTA方法相当。模型经FPGA合成后，资源使用和时序约束满足未来对撞机触发要求。这是首次在HEP触发器中完成QML模型的FPGA实现，可直接部署于经典数据采集管线。
论文Quantum AutoencoderFPGA高能物理
推荐理由：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。
原文
7月21日
11:48
11:48官方账号arXiv cs.LG@Thu T. H. Doan, Mohammad Saiful Islam, Andriy Miranskyy, Ngoc-Thanh Nguyen, Rogardt Heldal, Patrizio Pelliccione
ClouDens 利用 IBM Cloud Console 遥测日志中编码的操作上下文属性进行异常检测。该方法将高维遥测日志划分为领域引导子集，构建上下文感知图模型运维服务依赖，并采用时空图神经网络进行预测式异常检测。在 IBM Cloud Telemetry Dataset 上评估显示，ClouDens 在基于计数的遥测特征上取得了比 GRU 模型更高的 NAB 分数，表明更准确、更早的异常检测。研究还揭示特征子集、上下文建模、评分策略和稀疏性填充显著影响检测性能。
AI模型ClouDensIBM Cloud Telemetry Dataset异常检测
推荐理由：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。
原文
6月30日
10:16
10:16官方账号arXiv cs.AI@Elys Allesiardo, Antoine Caubrière, Valentin Vielzeuf
该论文深入分析了非序列多模态句子级嵌入，重点研究SONAR模型。研究发现某些嵌入维度对扰动敏感，可作为解码异常的指示器。通过利用编码与解码间的一致性，构建了准确的异常检测器。论文还探索了修改特定维度以尝试纠正异常。
论文SONAR多模态嵌入
推荐理由：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。
原文
6月25日
09:47
09:47官方账号arXiv cs.AI@Shangkun Li, Jie Xu, Yi Guo, Zeju Li, Yuanyuan Wang
BrReMark框架通过先假设异常并用边界框标注病灶区域，再重新检查验证，提升了空间可解释性。训练结合结构化推理轨迹的监督微调与强化学习，奖励定位准确性和诊断推理。采用域随机化病理合成增强策略，提升了对分布外数据的泛化性。内部基准上mAP50从0.74%提升至37.54%，临床F1达21.57%，诊断准确率45.26%。NOVA OOD基准上假阳性较当前最优方法减少45.7%，表明能有效降低对罕见病理的幻觉。
论文BrReMark医学影像异常检测
推荐理由：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。
原文
6月20日
17:12
6月18日
10:56
10:56官方账号arXiv cs.LG@Xingze Zheng, Hanyin Cheng, Siyuan Wang, Yiting Hao, Peng Chen, Yuan Jun, Yang Shu
SCAN提出多尺度聚类增强重建型时间序列异常检测，在UCR、KDD21等数据集上取得最先进结果。表示层面整合正常模式聚类中心表示，约束模型聚焦代表性正常模式。异常判据层面基于聚类隶属概率导出异常置信度分数，并与重建误差构成双判据。在多尺度邻域中心表示上执行多视图聚类，提升聚类性能。实验覆盖7个真实数据集，平均AUROC比现有方法提升2.3%。
论文SCAN时间序列异常检测异常检测
推荐理由：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。
原文
6月12日
13:48
13:48官方账号arXiv cs.LG@William Smits
CRAFTIIF 提出了一种完全无监督的多变量时间序列异常检测框架，能同时处理点异常、分布异常、时间异常和集体异常四种结构类型，无需针对数据集调参。它通过 500 个随机解析小波特征（Morlet、DOG、Haar、Coiflet 四族）分别喂给五个隔离森林（每类一个加一个元森林），并利用自适应 Otsu/MAD 阈值自动校准。在 mTSBench 基准的 19 个数据集上，CRAFTIIF 平均 F1=0.228，VUS-PR 达 0.463，比此前最佳方法提升 40.7%。消融实验表明自适应阈值、四分支结构和元森林分别贡献了 +38%、+20% 和 +23% 的 F1 提升。代码已开源。
论文异常检测多变量时间序列隔离森林
推荐理由：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。
原文
09:39
09:39官方账号arXiv cs.LG@Yongmin Kim, ByeongHoon Jeon, Sungil Kim
该研究提出Rarity-Gated Feature-wise Linear Modulation (RGFiLM)模块，用于解决上下文异常检测中稀有上下文分布导致的误报问题。RGFiLM通过数据驱动的稀有度评分控制上下文调制强度，在稀有上下文中增强决策能力，在常见上下文中保持保守。在海事轨迹异常检测任务中，结合AIS运动序列和ERA5环境上下文，RGFiLM在F1与假阳性率权衡上优于现有方法。结果表明，显式考虑上下文稀有性可有效减少异常检测中的误报。
论文异常检测上下文条件稀有门控
推荐理由：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。
原文
02:35
6月9日
11:49
11:49官方账号arXiv cs.AI@Mateo Diaz-Bone, Daniel Caraballo, Florian Scheidegger, Thomas Frick, Mattia Rigotti, Andrea Bartezzaghi, Roy Assaf, Niccolo Avogaro, Yagmur G. Cinar, Brown Ebouky, Filip M. Janicki, Piotr S. Kluska, Cezary Skura, Cristiano Malossi
精选
现有异常检测方法在 MVTec 等标准数据集上表现完美，但在真实场景中因物体尺度、视角、背景、光照等变化而失效。该研究提出三项创新：视觉提示管道通过前景-背景掩码隔离物体；在师生模型中解冻教师以提升领域适应性；利用扩散生成合成图像增强数据。基于 Masked Multiscale Reconstruction (MMR) 骨干，该方法在挑战性数据集 AeBAD 上比之前最优方法提升 3.5 个百分点。
论文异常检测视觉提示双教师监督
推荐理由：做工业视觉异常检测的团队终于有了应对真实场景变化的方案——视觉提示和双教师监督直接解决了传统方法对背景、视角敏感的痛点，值得在产线上试跑。
原文
6月2日
11:12
11:12官方账号arXiv cs.AI@Stefano Samele, Eugenio Lomurno, Teodora Jovanovic, Sanjay Shivakumar Manohar, Alberto Crivellaro, Matteo Matteucci
工业异常检测领域近年引入多模态视觉语言模型，声称可通过文本指令实现零样本或少样本检测。但现有评估方法沿用单模态基准，无法验证模型是否真正依赖文本条件。本文提出TGAD结构化基准，通过三个递进场景测试：MVTec AD上的提示敏感性测试、组件级标注扩展、以及新构建的组装面板数据集APD。测试发现，三种代表性模型（生成式大视觉语言模型、无训练判别式、嵌入自适应判别式）均仅表面响应文本指令：移除物体名词后生成模型I-AUROC从97.4降至82.6；组件指令无法约束决策；在APD上图像级判别甚至低于随机水平（最低31.5）。结果表明当前多模态异常检测系统的文本引导能力被高估，需要此类基准才能实现工业部署所需的可靠语言控制。
论文异常检测多模态基准测试
推荐理由：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。
原文
5月26日
11:46
11:46官方账号arXiv cs.AI@Xu Yao, Siyuan Zhou, Wu Zhenbo, Chaochuan Hou, Shuang Liang, Shiping wang, Hailiang Huang, Songqiao Han, Minqi Jiang
精选
弱监督异常检测（WSAD）长期分为不完整、不精确和不准确三种监督方向，但缺乏统一评估框架。该论文提出WSADBench，首个跨场景统一基准，系统评估了36种算法在4种模态下的表现，基于超过70万次实验。研究发现：弱监督场景间存在强相关性，挑战了当前研究方向的孤立性；专用WSAD算法仅在极端标签稀缺时占优，随监督增强或面对分布外数据时，表格基础模型和通用分类方法迅速超越；无标签数据在不同设置下效用不一致，相比标签精炼收益有限；模型对不同类型标签噪声的敏感性不对称。该基准已开源，旨在推动WSAD研究。
论文弱监督学习异常检测基准/评估
推荐理由：做异常检测或弱监督学习的团队终于有了统一评估工具——WSADBench用70万次实验戳破了三个方向各自为战的假象，看完你会重新思考该用专用算法还是通用模型。
原文
5月19日
11:02
11:02官方账号arXiv cs.LG@Robson W. S. Pessoa, Julien Amblard, Alessandra Russo, Idelfonso B. R. Nogueira
精选
UTOPYA是一个1520万参数的多模态框架，通过融合八种数据模态，解决了批处理过程中的异常检测难题。该框架采用特征线性调制（FiLM）条件跨模态注意力和门控融合，并引入物理信息正则化方案，强制时间平滑和热力学单调性。在119实验的多模态批处理蒸馏数据集上，UTOPYA在窗口级测试AUROC达到0.832，多信号实验级AUROC达到0.874，显著优于PCA、自编码器、孤立森林和LSTM自编码器等基线方法。消融实验表明，FiLM条件提供的静态上下文是关键因素，将实验级多信号AUROC从0.729提升至0.874。同时，研究揭示了实例归一化、Mixup、集成、测试时增强和随机权重平均等常用技术在此数据稀缺场景下反而会降低泛化性能。
论文异常检测多模态融合物理信息网络
推荐理由：UTOPYA为工业过程监控提供了首个融合物理信息与多模态数据的端到端方案，做异常检测和过程控制的工程师可以直接参考其架构设计，尤其适合数据稀缺场景下的部署决策。
原文
09:56
09:56官方账号arXiv cs.AI@Emad Abukhousa, Saman Zonouz, A. P. Sakis Meliopoulos
精选
该研究提出了一个延迟感知的基准框架，用于评估深度学习模型在电力系统异常检测中的表现。研究使用工业级电磁暂态模拟器生成的高保真时域信号，系统评估了从MLP到Transformer的八种神经网络架构。所有模型都能在15毫秒内实时分类多事件序列，但端到端推理延迟在50-90毫秒之间，超过了保护级部署的要求。结果表明算法能力与实际部署之间存在关键差距，需要进一步优化和硬件加速。该工作为亚周期异常检测建立了可复现的基准，指导机器学习方法从研究原型向实际保护应用过渡。
论文深度学习电力系统异常检测
推荐理由：电力系统安全研究者终于有了一个可复现的延迟感知基准——它揭示了AI模型在逆变器主导电网中实时分类故障与攻击时的实际性能瓶颈。做电力系统保护或AI部署的团队可以直接参考这些数据来优化模型和硬件选择。
原文
5月14日
13:27
13:27官方账号arXiv cs.AI@Urvi Gianchandani, Praveen Tirupattur, Mubarak Shah
精选
该论文提出一种弱监督方法，仅利用视频级标签（正常/异常）训练网络，无需帧级或像素级标注。通过多实例排序损失（MIL）将异常和正常视频片段分别视为正包和负包，提取特征并训练分类器，从而为时空区域生成异常分数。方法同时检测时间（片段级）和空间（帧内局部区域）异常，在UCF Crime2Local数据集上验证了有效性。这解决了视频异常标注成本高的问题，为实际监控场景提供了更实用的方案。
论文弱监督学习异常检测时空检测
推荐理由：做视频监控或异常检测的团队，不用逐帧标注就能定位异常区域，直接省下大量标注成本，值得关注。
原文
13:26
13:26官方账号arXiv cs.LG@Nikolaos Tsalkitzis, Panagiotis P. Filntisis, Petros Maragos, Niki Efthymiou
精选
该研究开发了两种基于智能手表的框架用于日常精神病复发检测。第一种通过预测心脏动力学并标记预测与观测特征之间的偏差作为异常指标；第二种采用多任务学习融合睡眠、运动和心脏信号，学习时间感知嵌入并预测测量时机。两种框架均使用Transformer编码器，并通过多层感知机集成估计预测不确定性，输出每日异常分数。研究表明两种框架捕捉互补的生理信号，因此提出后期融合策略，将两者异常信号结合为统一决策分数。在e-Prevention Grand Challenge数据集上，融合模型比竞赛获胜基线相对提升8%。
论文精神病复发检测智能手表异常检测
推荐理由：精神科医生和数字健康研究者有了更可靠的复发预警工具——融合心脏、运动和睡眠多模态信号，比单一指标更准确。做可穿戴设备健康监测的团队可以直接参考其不确定性估计方法。
原文