传统异常检测面临样本稀缺、数据分布不均等难题，如何解决？我们可以考虑迁移学习+异常检测。

基于迁移学习的异常检测是一种创新的机器学习方法，这种方法的核心在于预训练模型的使用，通过复用底层特征提取层，以及调整顶层如分类层，实现了知识的有效迁移和利用，提高了异常检测的性能和适应性。

因此这种融合了迁移学习与异常检测核心优势的方法，在金融风控、网络安全、工业生产、交通监控等多个领域都有广泛的应用。不过如今它也出现了许多问题，比如源与目标领域的知识差异、数据不平衡等。

对于论文er来说，这些亟待解决的问题正是创新发展的关键点和研究方向。为了给大家提供更多的思路，我挑选了8篇迁移学习+异常检测新论文以供参考，已开源的代码都放上了，需要的同学可无偿获取~

扫码添加小享，回复“迁移检测”

免费获取全部论文+开源代码

Material-adaptive anomaly detection using property-concatenated transfer learning in wire arc additive manufacturing

方法：文章提出了一种材料自适应的异常检测方法，该方法通过属性连接的迁移学习来实现，先利用迁移学习从源材料中导出基于CNN的模型，并将它们转移到目标材料中，再将材料属性作为额外的特征与图像特征一起连接，以反映材料在熔化和固化过程中的特性。

创新点：

• 提出了基于迁移学习的材料自适应异常检测方法，将源材料的模型转移到目标材料，尤其是在数据稀缺的情况下。

• 将时间序列的电压数据转换为图像数据，以应用于基于图像的学习和分类。

• 通过图像快照进行特征提取，自动处理噪声数据，提高了异常检测的精度。

DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series

方法：论文提出了一种基于迁移学习的异常检测方法，特别是在多变量时间序列数据中的应用。DACAD使用监督对比损失和自监督对比三元损失，确保全面的特征表示学习及领域不变特征提取。同时，采用中心基熵分类器（CEC）准确识别源域中的正常边界。

创新点：

• 引入了一种新的对比学习框架，专为多变量时间序列异常检测设计，结合无监督领域适应和对比学习。

• 提出了一种基于深度一类分类器（DeepSVDD）的中心熵分类器，用于空间分离特征空间内的正常和异常样本。

• 通过引入一系列合成异常，显著增强了模型在不同领域中的适应性和鲁棒性。

扫码添加小享，回复“迁移检测”

免费获取全部论文+开源代码

Data Quality Monitoring through Transfer Learning on Anomaly Detection for the Hadron Calorimeters

方法：论文提出了一种基于迁移学习的时空异常检测模型，该模型能够在数据稀缺的情况下，通过利用预训练的模型来提高新任务的学习准确性，被应用于在大型强子对撞机的紧凑缪子螺线管实验中，对强子量能器的数据质量进行监测。

创新点：

• 将图时空异常检测模型从HCAL端盖子探测器转移到桶形子探测器。

• 在自动编码器中结合卷积、图形和递归神经网络，实现了对时空数据的高效特征提取和重建。

• 通过冻结编码网络的高层特征提取层并微调解码网络，显著提升了目标数据集上的重建精度和异常检测性能。

LogTransfer: Cross-System Log Anomaly Detection for Software Systems with Transfer Learning

方法：论文旨在通过引入基于迁移学习的日志异常检测框架LogTransfer，首次应用于大规模软件服务中，利用Glove准确提取日志相似性，并通过共享全连接网络增强跨系统的鲁棒性，弥补现有方法在噪声处理和跨领域泛化方面的不足。

创新点：

• 首次将转移学习应用于日志异常检测，识别并解决了大规模软件服务中的相关挑战。

• 提出了一种新颖的转移学习方法，通过在源系统和目标系统之间共享全连接网络，成功应对日志序列中的噪声影响。

• 使用Glove方法来构建日志的表示，准确衡量跨系统日志的相似性。通过提取全局词共现和局部上下文信息，显著提高了异常检测的精度。

扫码添加小享，回复“迁移检测”

免费获取全部论文+开源代码