背景介绍

在当前科技迅猛发展的背景下，异常检测在工业、金融、医疗、军事等多个领域中具有重要意义。随着工业自动化的普及，确保产品质量和检测制造缺陷成为关键任务；在金融领域，识别交易中的异常行为和潜在欺诈活动至关重要；而在医疗诊断方面，早期发现和准确定位异常病变对治疗效果至关重要；在军事领域，异常检测技术被广泛应用于监测和识别潜在威胁，如无人机检测、入侵检测和异常活动监测，这些技术对于保障国家安全和军事行动的成功至关重要。此外，在雷达领域，异常检测用于识别雷达信号中的异常回波，从而区分真实目标和噪声干扰，提升目标检测和跟踪的准确性。

传统的异常检测方法主要依赖于监督学习，即需要大量标注数据来训练模型，但在实际应用中，获取大量高质量的标注数据往往非常困难，且不具备现实操作性。此外，传统方法在处理多类异常时，容易陷入“相同捷径”问题，即模型可能会错误地将异常信息纳入正常数据的生成过程，从而降低检测的准确性。为了解决这些挑战，研究人员开始探索无监督异常检测方法，试图在仅有正常数据的情况下，开发出能够准确检测多类异常的统一模型。这种方法不仅可以大幅减少对标注数据的依赖，还能够提升模型在不同应用场景下的适应性和鲁棒性。因此，开发一种高效、可靠的多类异常检测模型成为当前研究的热点和难点。

论文介绍

在陈渤教授和陈文超副教授的指导下，博士生李雨鑫和研一学生冯耀轩合作完成的文章《Vague Prototype-Oriented Diffusion Model for Multi-Class Anomaly Detection》延续了团队在深度概率模型和扩散模型的系列工作，提出了一种创新的扩散模型，称为基础原型导向扩散模型（Vague Prototype-Oriented Diffusion Model, VPDM），用于多类异常检测任务。该模型灵感来自于人类记忆检索机制，通过从基础到清晰逐步引入细节，以解决当前方法中存在的“相同捷径”问题，即模型可能错误地将异常信息纳入生成结果。VPDM采用基础条件作为初始输入，这些条件包含目标的基本信息，但排除了异常细节，从根本上减少了异常信息对模型输出的影响。此外，文章提出了一种新颖的条件扩散模型，在扩散模型的前向和反向过程中均考虑基础条件，通过逐步添加细节来生成样本。为了进一步提升检测的准确性，文章还引入了基础原型导向最优传输（VPOT）模型，该模型利用最优传输技术，通过基础原型来引导模型学习多个类别的正常分布，提供更精确的条件信息。实验结果表明，VPDM在MVTec-AD、VisA和MPDD等数据集上实现了最新的最优性能（SOTA），证明了其在多类异常检测任务中的有效性和鲁棒性。

基础原型导向扩散模型结构图

基础原型导向扩散模型（VPDM）是根据多个大型企业的实际需求所开发的，具有广泛的应用前景。其通过结合基础条件和最优传输技术，提供了一种有效的解决方案，克服了传统方法中的关键挑战，展示了其在实际应用中的广泛潜力。在工业制造领域，VPDM可以用于自动化质量控制和缺陷检测，通过精准识别产品中的异常，从而提高生产效率和产品质量。在医疗诊断方面，VPDM可以用于识别医学影像中的病变区域，辅助医生进行早期诊断和治疗。总体而言，VPDM不仅提高了异常检测的准确性和鲁棒性，还能够适应多类异常的复杂场景，满足各行业对于高效、可靠检测技术的迫切需求，具有广泛的实际应用前景。

实验结果

该工作已发表在第四十一届国际机器学习大会（The Forty-first International Conference on Machine Learning，ICML）。ICML会议作为公认的人工智能、机器学习领域的国际顶级会议，是中国计算机学会（CCF）推荐的A类会议，也是清华大学计算机学科推荐学术会议中的A类会议，具有广泛而深远的国际影响力，受到业界的广泛关注。论文作者之一冯耀轩，7月25日在奥地利维也纳，通过口头报告形式与来自世界各地的顶尖学者和行业专家进行了深入的交流，同时在海报展示环节中，该工作吸引了来自国内外参会者的广泛关注，收到了来自同行的深刻见解和宝贵反馈，这些反馈为后续的研究提供了新的视角和改进的方向，进一步丰富了研究视野。

ICML参会照片

作者简介

陈渤，教授，主要研究方向为机器学习、雷达目标检测识别、概率建模、深度学习、大规模数据处理。

陈文超，副教授，主要研究方向为雷达目标检测，识别，统计机器学习，深度学习。

李雨鑫，博士生，主要研究方向为机器学习、雷达目标检测识别、概率建模。

冯耀轩，硕士生，主要研究方向为机器学习、概率建模、深度学习。