本文介绍了多种基于扩散模型的异常检测方法，如DiAD、DDAD和GLAD，并验证了它们在不同数据集上的性能。这些方法在多类异常检测和3D点云数据应用中表现出色，具有高准确性和灵活性，推动了工业检测技术的发展。

本文介绍了一种名为GLAD的人机协同学习算法，支持异常探测器的自动学习与解释。研究提出了多种图异常检测方法，包括基于层次贝叶斯模型的组潜在异常检测（GLAD）和半监督图异常检测方法（GGAD），在多个数据集上表现优越。这些方法通过对比学习和图自动编码器等技术，提高了检测性能和鲁棒性。

本文提出了一种基于扩散模型的无监督异常检测方法GRAD框架，通过生成对比模式和自监督机制有效识别异常。实验结果显示，该方法在MVTec AD和LOCO数据集上具有高准确性和推理速度。

本文提出了一种基于分子图像的新型分子表示方法，并展示了其在分子属性预测中的潜力。开发的分子几何深度学习（Mol-GDL）模型在14个基准数据集上表现优于现有方法。此外，研究还探讨了聚合物太阳能电池的功率转换效率，利用机器学习优化模型，取得了良好预测结果。整体上，研究强调了多模态深度学习在分子性质预测中的应用及其优势。

LogLG是一种弱监督日志异常检测框架，通过从无标注的日志中提取关键词构建日志事件图并训练检测模型，实现对未标记日志数据的异常检测。与现有方法相比，LogLG实现了显著的性能提升。