提升异常检测：一种自适应模型和新数据集
内容提要
本文综述异常检测领域多项研究：提出AeBAD工业数据集及MMR方法应对领域移位；少样本方法以注册任务为代理，性能提升3%-8%；视频领域引入HMDB-AD等数据集和MFAD方法检测复杂动作异常；工业领域有TDAD框架和局部到全局自适应特征调整；还涵盖弱监督调查、开放式时间序列MOSAD及动态图半监督框架等。
延伸解读
工业异常检测的领域移位挑战
文章指出，当前最优算法在AeBAD工业数据集上检测正常样本时存在领域移位问题，即模型对训练分布外的正常样本容易误判。MMR方法通过遮蔽重构任务增强模型对正常样本中补丁间因果关系的推断能力，从而提升检测性能。这提示读者，在工业场景中，正常样本的多样性可能成为异常检测的难点，需要关注模型对分布变化的鲁棒性。
少样本与视频异常检测的进展
少样本异常检测方法以注册任务为代理，训练通用无类别模型，在大型基准测试中性能提升3%-8%。视频领域则引入HMDB-AD和HMDB-Violence数据集，推动检测复杂动作异常，MFAD方法结合长期时序依赖和逻辑回归，在简单和复杂场景中均表现优异。这些进展表明，异常检测正从单帧简单异常向多帧复杂异常扩展，但现有模型对新异常类型仍有局限。
弱监督与开放式时间序列的探索
文章综述了弱监督异常检测的首个全面调查，将其分为三种弱监督设置和四种数据模态，并提供了形式化定义、关键算法及未来方向。同时，MOSAD方法针对开放式时间序列异常检测，在训练阶段可见少量有标签异常样本，测试阶段需检测已知和未知异常类别，并在特征提取、多头网络和异常评分模块进行创新，实现了新的最佳性能。这些工作为数据标注有限或异常类别动态变化的场景提供了思路。
Q&A
AeBAD工业异常检测数据集主要解决了什么问题？
AeBAD数据集主要探讨了当前最优算法在检测测试集中正常样本时面临的领域移位问题，并提出了MMR方法，通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力，在AeBAD上表现优秀。
少样本异常检测方法如何提升性能？
该方法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。
视频异常检测中HMDB-AD和HMDB-Violence数据集有什么特点？
这两个数据集源于HMDB51动作识别数据集，旨在挑战具有多样化基于动作的异常的模型，扩展VAD研究以涵盖超越传统基准范围的复杂异常。
MFAD方法在视频异常检测中是如何工作的？
MFAD建立在AI-VAD框架之上，AI-VAD利用单帧特征（如姿势估计和深度图像编码）和双帧特征（如物体速度），然后应用密度估计算法计算异常分数。MFAD添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。
TDAD框架在工业异常检测中有什么优势？
TDAD是一个两阶段的深度异常检测框架，针对操作周期信号和传感器信号类型采用两种不同的无监督学习模型，并结合其它特征，实验展示了其对于单级对照方法的优越性、模型无关性和鲁棒性。
MOSAD方法针对的是什么问题？
MOSAD针对开放式时间序列异常检测问题，即在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现了时间序列异常检测领域的全新最佳性能。
