Unser Ansatz BK-AAND ermöglicht es, die Wahrscheinlichkeitsverteilung des gesamten Modells zu bestimmen, um sowohl das Signal als auch das Rauschen abzudecken. Unser Hauptziel ist die Neuheitserkennung in Bildern und das Management des Latenzraumverteilung, um sicherzustellen, dass sie die Verteilung der Inlier genau darstellen kann.
LTAD kombiniert Anomalieerkennung durch Rekonstruktion und semantische Anomalieerkennung, um Anomalien über mehrere und lange Schwanzklassen hinweg zu erkennen, ohne auf Datensatzklassennamen angewiesen zu sein.
Eine neuartige hierarchische Gauß-Mischungs-Normalizing-Flow-Modellierung, die eine stärkere Darstellungsfähigkeit des Latenzraums von Normalizing Flows bietet, um die einheitliche Anomalieerkennung zu erreichen.
Das DMAD-Framework verwendet einen Dual Memory Bank, um sowohl normale als auch anomale Muster zu erfassen und eine verbesserte Darstellung für das Erlernen von Anomaliescores zu konstruieren. Dadurch kann DMAD sowohl unüberwachte als auch teilüberwachte Szenarien in einer einheitlichen (Multi-Klassen-) Einstellung effektiv handhaben.
Isolationsbasierte unüberwachte Anomalieerkennung ist ein neuartiger und effektiver Ansatz zur Identifizierung von Anomalien in Daten. Er basiert auf der Idee, dass Anomalien selten und von normalen Instanzen verschieden sind und daher durch zufälliges Partitionieren leicht isoliert werden können.
Unser Ansatz CLIP-ADA ermöglicht eine genauere Anomalieerkennung und -lokalisierung, indem er lernbare Textprompts verwendet und eine Grob-zu-Fein-Strategie einsetzt, um die Darstellung von Anomalien zu verbessern.
MCCATCH ist ein neuer Algorithmus, der Mikrogruppen von Ausreißern durch Auswertung eines "Oracle"-Plots erkennt. Er kann sowohl dimensionale als auch nicht-dimensionale Datensätze verarbeiten und sowohl Einzelausreißer als auch Mikrogruppen nach ihrer Anomalität bewerten.
Anomalieerkennung mit Dual-Path Frequency Discriminators für effektive Few-shot Anomalieerkennung.
Unüberwachtes Distanzmetrik-Lernen für Anomalieerkennung in multivariaten Zeitreihen durch FCM-wDTW.
Effektive Anomalieerkennung mit COFT-AD durch Kontrastives Feintuning und Verwendung von positiven und negativen Paaren.