COFT-AD：对少样本异常检测的对比微调
内容提要
本文综述少样本异常检测研究进展，涵盖注册代理任务、对抗训练、PatchCore超参优化、FMGAD图模型、联合生成判别建模、FAFRCNN适配、零样本批归一化元训练、G-FSOD连续学习、FATE端到端框架及DSGF知识融合等方法，在多个基准上优于现有方法。
延伸解读
少样本异常检测的技术脉络
文章梳理了从2019年到2023年的多项研究，展示了少样本异常检测领域的快速演进。早期工作如FAFRCNN聚焦于目标域适配，而近期方法如FATE和DSGF则更注重端到端学习和知识融合。这些进展表明，该领域正从单一任务优化转向通用框架构建，并越来越重视利用有限标注数据实现强泛化。
方法多样性与性能提升
文章提及的方法涵盖了代理任务、对抗训练、图模型、元学习等多种技术路线。例如，注册代理任务在大型基准上实现了3%-8%的性能提升，而FMGAD在六个真实数据集上优于现有方法。这种多样性反映了少样本异常检测没有单一最优解，不同场景可能需要结合具体数据特点选择合适方法。
实际应用中的考量
对于希望应用这些技术的读者，文章提示了若干关键点：PatchCore的超参数优化能显著提升性能，但需注意特征提取器的归纳偏差；G-FSOD通过连续学习缓解遗忘，适合动态环境；DSGF强调领域特定与通用知识融合，可增强OOD检测。这些细节有助于在实际部署中平衡性能与适应性。
Q&A
少样本异常检测中，如何通过注册代理任务来提升模型性能？
通过注册任务作为代理任务，训练一个通用的无类别模型来检测输入图像是否为异常，在大型基准测试中实现了优于现有方法3％-8％的表现。
对抗训练在少样本异常检测中有什么作用？
通过整合对抗训练损失来获得更强大和广义的特征表示，实验证明该方法在利用对抗性损失时通常获得更好的性能。
PatchCore算法在少样本异常检测中如何优化？
对PatchCore算法进行超参数优化和迁移用于少样本异常检测及异常分割可以显著提高其性能，并提出了对具有强归纳偏差的特征提取器的研究作为未来的潜在方向。
FMGAD模型是如何工作的？
FMGAD是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。
如何解决少样本异常检测中的灾难性遗忘问题？
利用联合生成和判别建模构建一个多元高斯分布来解决传输学习中的灾难性遗忘问题，并将其用于异常检测任务中，实验结果表明该方法在异常检测任务中达到了新的最优性能。
FATE框架在少样本异常检测中有什么特点？
FATE是一种基于深度少样本学习的框架，它利用有限的异常例子，在端到端的方法中显式地学习异常分数，同时使用偏差学习来调整正常例子的异常分数，以接近参考分数，并迫使异常样本在先验分布的上尾具有明显偏离的异常分数。此外，模型通过利用多头自注意力层和多示例学习方法来学习异常的独特行为。
