Normal

general · First seen 2026-05-22 · Last seen 2026-11-15 · 126 mentions

Overview

Normal(正常样本/常态分布)在机器学习语境中指训练与评估时被视为“无异常”的基准数据——它既是异常检测、分布外识别等任务的核心假设,也是模型预训练与统计建模中默认的数据分布形态。围绕 Normal 的研究热点主要集中在两件事:如何仅用正常样本训练出可靠的异常检测器,以及当测试数据的“正常”定义发生变化时模型还能不能守住性能。

Normal 样本驱动的异常检测近期进展

  • INP-Former 复现报告:在 MVTec AD 2 上表现明显下滑——INP-Former 是基于正常样本重建思路的工业异常检测模型。复现报告指出,其在更新版基准 MVTec AD 2 上性能明显下降,说明“正常”样本的分布一旦更贴近真实产线场景,仅在旧基准正常数据上验证的方法可能出现性能高估。
  • eCoMAE:面向行人/骑行者运动预测的证据式掩码预训练方法——该工作利用掩码预训练学习常态运动模式,再对偏离常态的行为给出带不确定性(证据式)的预测,本质上是把“正常运动分布”作为参照系来识别边缘场景。
  • LSTM 与 XGBoost 混合框架预测航班着陆阶段安全事件——航空安全事件本身极度稀缺,此类框架通常以大量正常飞行数据建模基线、用偏差检测识别风险,是 Normal 建模在安全关键领域的典型应用。
  • 当前焦点与观察点

    围绕 Normal 的讨论集中在三点。其一是“正常”基准的老化问题:INP-Former 在 MVTec AD 2 上的下滑提示,依赖单一正常样本集合的方法对分布漂移敏感,复现与跨基准验证正变得和刷榜同样重要。其二是从二分类走向不确定性建模:eCoMAE 一类证据式方法的思路是不再硬性区分正常/异常,而是输出偏离常态的程度与置信度,这更符合真实场景中“正常”边界模糊的现实。其三是无异常标签场景的工程化落地:航班安全预测等工作表明,在异常样本极少的行业里,把 Normal 建模做成可解释、可审计的基线仍是主流路径。对从业者的观察点是:评估异常检测方法时,应优先关注其在“更难定义正常”的新基准上的表现,而非仅看历史榜单成绩。

    Coverage

    10 on file