• Разников.
  • Оченть интересный видеокурс по МО

Общие обзоры

• Liu, Jiaqi, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng, and Yaochu Jin. "Deep industrial image anomaly detection: A survey." Machine Intelligence Research 21, no. 1 (2024): 104-135.
  • Всесторонний обзор методов обнаружения аномалий изображений на основе глубокого обучения с точки зрения архитектуры нейронных сетей, функций потерь, метрик и наборов данных и т.п.
  • Совсем недавний и подробный обзор темы. Хотя основной упор на применении в промышленности, представляется, что методика может быть полезной для проекта.
• De Albuquerque Filho, José Edson, Laislla CP Brandão, Bruno José Torres Fernandes, and Alexandre MA Maciel. "A review of neural networks for anomaly detection." IEEE Access 10 (2022): 112342-112367.
  • Фактически сборник абстрактов работ по теме (более 70-ти) + некоторые обобщающие таблицы
• Nassif, Ali Bou, Manar Abu Talib, Qassim Nasir, and Fatima Mohamad Dakalbab. "Machine learning for anomaly detection: A systematic review." IEEE Access 9 (2021): 78658-78700.
  • Обзор только литературных источников по базовым критериям (type, ML model, performance metrics and their value, etc.), но очень объемлющий (более 300 ссылок)

GAN для поиска аномалий

• Di Mattia, Federico, Paolo Galeone, Michele De Simoni, and Emanuele Ghelfi. "A survey on gans for anomaly detection." arXiv preprint arXiv:1906.11632 (2019).
  • Неплохой обзор по использованию GAN для поиска аномалий
  • Использование AE для поиска аномалий понятно: данные, которые плохо декодируются обученным на нормальных данных AE, - аномальны. Оказалось, что с этой задачей вполне успешно справляются и GANs.
  • Особенно хорошо для этой цели подходит модификация GAN, называемая BiGAN (Bidirectional GAN).
  • Вводные тексты по BiGAN и по их применению для поиска аномалий (блоги):
    • Bidirectional GAN
    • Review — BiGAN: Adversarial Feature Learning (GAN)
    • Anomaly detection Using Generative Adversarial Networks(GAN)
    • Advanced Anomaly Detection with BiGANs for Image Data

Поиск аномальных данных IACT

• De, Songshaptak, Writasree Maitra, Vikram Rentala, and Arun M. Thalapillil. "Deep learning techniques for imaging air Cherenkov telescopes." Physical Review D 107, no. 8 (2023): 083026.
  • Поиск аномальных данных IACT с помощью нейронных сетей. Аномальные данные интерпретируются как вызванные первичными частицами вне рамок Стандартной модели.

• Louis-Philippe Morency and Tadas Baltrusaitis. CMU Course 11-777 Tutorial on Multimodal Machine Learning
  • Подробное описание проблемы, включая историю вопроса.
• Paul Pu Liang, Amir Zadeh, Louis-Philippe Morency. Arxiv:2209.03430, Foundations and Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions
• Cem Akkus et. al. Arxiv:2301.04856, Multimodal Deep Learning

• Marco Seeland ID*, Patrick Mäder. Multi-view classification with convolutional neural networks. doi:10.1371/journal.pone.0245230

• M. Drozdova et. al. Radio-astronomical Image Reconstruction with Conditional Denoising Diffusion Model, arXiv:2402.10204v2

• Ti-Pei Li and YuQian Ma, Analysis methods for results in gamma-ray astronomy, ResearchGate, in The Astrophysical Journal, August 1983
• Tilman Plehna, Anja Buttera, Barry Dillona, and Claudius Krausea Modern Machine Learning for LHC Physicists. Axiv:2211.01421v1 * Hannes Warnhofer, Samuel T. Spencer, and Alison M.W. Mitchell.Multi-View Deep Learning for Imaging Atmospheric Cherenkov Telescopes. arXiv:2403.18516v1