生成式异常检测：建模原理、进展及未来机遇的全面综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Generative anomaly detection: a comprehensive review of modeling principles, advances, and future opportunities

　　

摘要

生成式人工智能（GAI）的前所未有的发展重塑了异常检测的领域，使模型能够捕捉复杂的数据分布，并揭示传统方法难以发现的细微偏差。然而，从自动编码器、生成对抗网络到扩散模型以及大型预训练基础模型等生成技术的迅速普及，导致了知识体系的碎片化，缺乏统一的理解。本调查通过首次全面综合GAI驱动的异常检测方法，填补了这一关键空白。我们提出了一种整体的分类体系，将传统的生成范式与基础模型的变革性作用结合起来，将其置于检测和表示学习的更广泛背景下。除了对各种方法进行梳理外，我们还探讨了异常合成和恢复等互补生成任务如何增强异常检测能力，并分析了它们在关键应用领域的实际应用情况。我们强调了GAI的进步与异常检测面临的不断演变挑战之间的相互关系，进一步明确了尚未解决的问题，并概述了有前景的研究方向，以推动该领域的未来发展。通过将不同的发展成果整合到一个连贯的框架中并提供前瞻性的见解，本调查旨在促进GAI和异常检测社区之间的更深层次融合，推动这一快速发展的领域的理论基础和实践影响力的提升。该调查的在线项目可访问：https://github.com/zjiaqi725/Awesome-Generative-Anomaly-Detection。