近年来，无监督的图级异常检测和离群检测备受关注。提出了一个统一的基准和评估框架，包含35个数据集和16种代表性的方法。通过多维分析，探索了现有方法的有效性、泛化能力、鲁棒性和效率，并提供了开源代码库和未来研究的潜在方向。

最近的无监督异常检测方法依赖于辅助数据集或异常模拟样本，限制了适应能力。为解决此问题，提出了无先验异常生成范式和名为GRAD的无监督异常检测框架。GRAD包括扩散模型、自监督加权机制和基于补丁的检测器。实验证明了GRAD在异常检测准确性和推理速度方面的竞争力。

GLaD是一种新方法，通过整合分子图像和语言描述符进行光伏转换效率（PCE）预测，利用大规模语言模型（LLM）从科学文献中预训练来丰富分子结构表示，实现了对PCE的精确预测，并促进了合成新型有机光伏分子的过程。GLaD还展示了多功能性，适用于一系列分子属性预测任务，在低数据环境中通过融入从大规模预训练中学习的分子属性描述来丰富分子表示，对药物和材料发现等科学探索具有重要意义。

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。