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
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。