本文提出了一种渐进边界引导异常合成(PBAS)策略，旨在解决无监督异常检测方法对辅助数据集的依赖问题。实验结果表明，PBAS在多个工业数据集上表现优异，具有重要的应用潜力。

本文提出了一种结合自我监督学习和对比学习的新方法用于异常检测，显著提升了模型在工业数据集上的性能。实验结果表明，该方法在多个基准数据集上超越了现有技术，达到了最新的检测效果。

该研究比较了多个异常检测模型在工业数据集上的表现，发现某些模型适用于结构较松散的数据集。研究人员分析了这些模型在识别不同类型异常时的优势和局限性，并逐渐增加训练集大小以评估模型的有效性。

该文介绍了一种利用AS2模型传递知识来训练GenQA模型的方法，通过对候选答案进行排序，使用排名最高的答案作为生成目标，并使用前k个排名最高的答案作为上下文进行训练。该方法在三个公共数据集和一个大型工业数据集上的评估中证明了优于AS2基线和使用监督数据训练的GenQA。