该研究提出了一种新的半监督异常检测方法DASVDD，通过自编码器学习正常类的潜在表示并最小化其上边界超球的体积。实验结果显示该方法优于当前常用的异常检测算法，并具有鲁棒性。

最近邻高斯混合 (NNG-Mix) 是一种新算法，通过整合有标签和无标签数据生成伪异常样本，改进了半监督和监督异常检测算法。在57个数据集上，与常用的数据增强方法相比，取得了显著的性能提升。在ADBench中的经典、计算机视觉和自然语言处理数据集上，最多可提高16.4%、8.8%和8.0%。

本文研究了类别不平衡挑战对识别任务的影响，发现Sharpness-Aware Minimization (SAM)无法解决泛化问题。为此，提出了Imbalanced-SAM (ImbSAM)算法，通过限制类别无关的SAM的泛化范围来改善对尾类的泛化。实验证明ImbSAM在长尾分类和半监督异常检测等应用中显著提高了性能。