本研究解决了多变量时间序列异常检测方法评估中缺乏高质量数据集的问题，提出了一个多样化且包含显著异常的数据集。研究表明，半监督算法优于无监督算法，并强调了对受污染训练数据的鲁棒性需求。

本文介绍了Street Scene数据集在视频异常检测中的应用，提出了新的评估标准PIMO，以解决现有度量的不足。同时，研究展示了多种无监督和上下文感知的异常检测算法，强调隐私保护与性能之间的平衡，推动了该领域的进展。

本文介绍了一种利用生成对抗网络（GAN）和无监督算法从混响环境中提取训练音频数据的方法，以提高自动语音识别（ASR）系统的性能。研究提出的新去混响技术结合了3D场景信息和多模态学习，显著改善了音频信号质量和RIR估计，在多种声学任务中表现出色。

本研究提出了一种基于双流网络的无监督算法，用于在视觉场景中定位声源，并通过半监督学习修正误差，增强算法的可靠性。研究还介绍了神经声学场（NAFs）和SoundSpaces 2.0平台，以提高声源定位和音频-视觉分离的效果。实验结果表明，该方法在性能上优于现有技术。

Hades是一种无监督算法，可快速检测数据中的奇点。通过微分几何和最优传输理论，证明Hades能正确检测等维度流形的横交集上的奇点。在计算实验中，成功地恢复出合成生成的数据、道路网络数据中的分叉点、分子构象空间中的交叉环以及图像数据中的异常情况中的奇点。

该论文提出了一种自我区分建模框架，用于检测异常图形。该框架提供了三种算法，能够在几个流行的图形数据集上显著提高 AUC 的性能。研究还发现即使是完全无监督的算法也能显著优于有监督学习算法进行异常图形检测，同时分析了对应的原因。