扩散模子（Diffusion Models, DMs）近年来展现出重大的潜力，，，，，，，在盘算机视觉和自然语言处置惩罚等诸多使命中取得了显著希望，，，，，，，而异常检测（Anomaly Detection, AD）作为人工智能领域的要害研究使命，，，，，，，在工业制造、金融风控、医疗诊断等众多现实场景中施展着主要作用。。。。近期，，，，，，，来自多伦多大学、不列颠哥伦比亚大学、麻省理工学院、悉尼大学、卡迪夫大学和复旦大学等着名机构的研究者相助完成题为 “Anomaly Detection and Generation with Diffusion Models: A Survey” 的长文综述，，，，，，，首次聚焦于 DMs 在异常检测与天生领域的应用。。。。该综述系统性地梳理了图像、视频、时间序列、表格和多模态异常检测使命的最新希望并从扩散模子视角提供了周全的分类系统，，，，，，，连系天生式 AI 的研究动向展望了未来趋势和生长机缘，，，，，，，有望指导该领域的研究者和从业者。。。。 扩散模子通过正向扩散与反向去噪的马尔可夫历程实现数据漫衍建模。。。。正向历程遵照随机微分方程，，，，，，，逐步将数据漫衍转化为高斯噪声；；；反向历程通过神经网络学习去噪映射，，，，，，，渐进式恢回复始数据。。。。其天生气制在捕获重大数据漫衍的细微差别上具有显著优势。。。。与古板的普遍用于无监视 AD 使命的 GANs、VAE 和 Transformer 等相比，，，，，，，DMs 在天生样本的质量和多样性方面体现精彩，，，，，，，在 AD 领域展示出精彩潜力。。。。 基于 DMs 的异常检测通过建模数据漫衍的内在结构，，，，，，，将异常界说为与正常数据模式的显著偏离。。。。凭证异常评分机制差别，，，，，，，可分为三大焦点范式，，，，，，，如图 3 所示。。。。 基于重构评分的要领通过扩散模子反向去噪历程重构输入样本，，，，，，，以重构误差作为异常分数。。。。正常样本因切合学习到的漫衍，，，，，，，重构误差。。。；；；异常样本偏离漫衍，，，，，，，重构误差显著增大。。。。典范应用如工业质检中，，，，，，，使用 U-Net 架构的扩散模子通过像素级重构误差定位异常。。。。 基于密度的评分要领使用扩散模子对数据概率密度的预计能力，，，，，，，将负对数似然作为异常分数。。。。正常样本对应高概率密度，，，，，，，负对数似然值低；；；异常样本位于低概率区域，，，，，，，分数凌驾阈值即判断为异常。。。。 基于分数的评分要领使用数据漫衍的梯度信息（分数函数）量化样本与数据流形的偏离水平。。。。正常样本位于流形外貌，，，，，，，梯度范数。。。；；；异常样本处于低概率区域，，，，，，，梯度范数显著增大。。。。 三种要领从差别维度描绘异常：重构评分基于样本空间距离，，，，，，，密度评分基于概率漫衍似然，，，，，，，分数评分基于流形几何梯度。。。。现实应用中，，，，，，，重构要领对图像局部异常更敏感，，，，，，，密度要领适适时序数据全局检测，，，，，，，分数要领在高维非结构化数据中体现更优。。。。 在图像异常检测（Image Anomaly Detection, IAD）领域，，，，，，，DMs 面临两大焦点挑战：“恒等快捷方法”（Identity Shortcut）问题与高昂的盘算本钱。。。。前者指模子在重构时倾向于直接复制输入中的异常区域，，，，，，，从而掩饰了异常；；；后者则源于扩散历程固有的多步迭代推理，，，，，，，限制了着实时应用。。。。为应对这些挑战，，，，，，，综述中探讨了一系列前沿要领。。。。例如，，，，，，，通过掩码重构、潜空间特征编辑或对抗性训练来突破 “恒等快捷方法”，，，，，，，迫使模子学习正常数据的深层漫衍而非简朴复制。。。。同时，，，，，，，为解决盘算效率问题，，，，，，，研究者们提出了模子蒸馏、高效 ODE 求解器、潜空间扩散（Latent Diffusion Models, LDMs）以及模子希罕化等多种加速战略。。。。这些要领通过镌汰采样步数或在更低维的空间中操作，，，，，，，显著降低了推理时间和资源消耗，，，，，，，为扩散模子在工业质检、医疗影像剖析等高要求的 IAD 场景中的现实安排铺平了蹊径。。。。 图 4：图像异常检测要领示意图。。。。(a）展示了基础的基于重构的要领；；；(b）展示了为解决 “恒等快捷方法” 问题而设计的条件式或多阶段变体要领，，，，，，，旨在提升对异常的敏感度。。。。 视频异常检测（Video Anomaly Detection, VAD）的焦点在于处置惩罚时序维度和重大的运动模式，，，，，，，这使其比静态图像检测更具挑战性。。。。异常？？？赡芴逑治涮男卸蛄谢蛴爰榷Ｊ讲环亩。。。。因此，，，，，，，有用的 VAD 框架必需能够对时空依赖性举行建模。。。。综述指出，，，，，，，先进的扩散模子通过引入光流、运动矢量或集成时空 Transformer 架构，，，，，，，将运动信息显式地融入到天生历程中。。。。这种设计使模子能够学习正常事务的时空演化纪律，，，，，，，从而敏锐地捕获到速率、偏向或加速率上的异常转变。。。。例如，，，，，，，模子通过对已往帧或运动表征举行条件化，，，，，，，展望未来的正常帧，，，，，，，并将展望效果与现实视察举行较量。。。。这种基于运动和时序上下文的建模方法，，，，，，，极大地提升了模子在监控、自动驾驶等动态场景中检测重大异常事务的准确性和鲁棒性。。。。 图 5：视频异常检测框架示意图。。。。该框架集成了时空特征提取与运动建模，，，，，，，通过光流或 Transformer 等手艺将运动信息融入扩散模子，，，，，，，以有用识别空间外观和时间演变中的异常。。。。 时间序列异常检测（Time Series Anomaly Detection, TSAD）面临的挑战源于数据的内在时序依赖性、不规则采样和潜在的恒久关联。。。。综述归纳了扩散模子在该领域的两大主流范式：基于重构（reconstruction-based）与基于插补（imputation-based）。。。；；；谥毓沟囊焓褂美┥⒛Ｗ忧渴⒌奶焐芰ν蹈词淙氲氖奔湫蛄，，，，，，，那些无法被准确重构、导致较大误差的数据点或片断被视为异常。。。。而基于插补的方规则巧妙地将异常检测使命转化为一个缺失值填补问题，，，，，，，模子实验填补序列中的部分数据，，，，，，，异常点会因其与上下文的低 “协调性” 而导致插补质量显著下降，，，，，，，从而被识别出来。。。。为了有用捕获时间序列的重大动态，，，，，，，这些模子通；；；峒裳飞窬纾≧NNs）或注重力机制（Attention），，，，，，，以增强对是非期依赖关系的建模能力，，，，，，，使其在金融诓骗检测、装备故障预警等使命中体现精彩。。。。 图 6：时间序列异常检测（TSAD）框架示意图。。。。该图展示了基于扩散模子的两种主流 TSAD 路径：(a）基于重构的路径通过较量原始序列与重构序列的差别来盘算异常分数；；；(b）基于插补的路径则通过评估模子对缺失值的插补质量来判断异常。。。。 表格数据因其混淆数据类型（如数值型、分类型、序数型）和普遍保存的缺失值，，，，，，，对异常检测组成了奇异的挑战。。。。直接应用为图像设计的扩散模子往往效果不佳。。。。为此，，，，，，，该领域的研究重点在于开发专门的预处置惩罚手艺和模子架构。。。。综述中提到，，，，，，，扩散模子驱动的表格异常检测（Tabular Anomaly Detection, TAD）要领通常首先通过专门的嵌入层将异构数据统一到一连的表征空间。。。。随后，，，，，，，经由刷新的 DMs（如连系 Transformer 架构或高斯混淆模子）在这一空间中学习正常数据的联合漫衍。。。。在推理阶段，，，，，，，通过盘算样本的重构损失或天生概率来识别异常。。。。针对缺失值问题，，，，，，，一些要领在训练中引入掩码机制，，，，，，，使模子学会在保存数据缺失的情形下举行稳健的推理。。。。这些顺应性设计使得扩散模子能够有用处置惩罚金融、医疗等领域的重大表格数据，，，，，，，准确识别其中的诓骗、病变等异常模式。。。。 图 7：表格异常检测框架示意图。。。。该框架展示了处置惩罚包括混淆数据类型（如数值型、分类型）的表格数据的典范流程。。。。数据首先经由专门的预处置惩罚和嵌入模？？？，，，，，，，然后输入到适用于表格数据的扩散模子中，，，，，，，最终通过盘算重构损失来识别异常。。。。 多模态异常检测（Multimodal Anomaly Detection, MAD）通过融合来自差别数据源（如图像、文本、传感器数据）的互补信息，，，，，，，显著提升了检测系统的准确性和鲁棒性。。。。其焦点挑战在于怎样有用对齐和融合异构的模态信息。。。。综述总结了三种主流的融合战略：早期融合在输入层即合并特征；；；晚期融合在决议层连系各模态的自力输出；；；而动态融合则能凭证输入数据的上下文自顺应地调解各模态的权重。。。。协同扩散（Collaborative Diffusion）等先进框架通过构建共享的嵌入空间和动态融合模？？？，，，，，，，有用解决了模态对齐和信息不平衡的问题，，，，，，，在工业检测、智能监控等场景中展现了重大潜力。。。。 异常天生（Anomaly Generation, AG）的主要念头是解决现实天下中异常样本稀缺的根天性难题。。。。扩散模子依附其卓越的天生能力，，，，，，，可以创立出逼真且多样的合成异常。。。。该手艺以正常数据为 “种子”，，，，，，，通过引入文本形貌、掩码或在潜空间举行特定操作等条件化指导，，，，，，，准确地控制天生异常的类型、位置和严重水平。。。。这些天生的异常数据不但可以用于扩充训练集以增强检测模子的泛化能力，，，，，，，还能作为 “陪练” 来系统性地评估和提升模子的鲁棒性，，，，，，，并为自监视学习范式提供了名贵的训练信号。。。。 只管 DMs 在异常检测与天生领域取得了一定的希望，，，，，，，但仍面临诸多挑战。。。。其一，，，，，，，盘算效率。。。。DMs 的训练和推理历程通常需要较高的盘算资源和时间本钱，，，，，，，这限制了其在现实场景中的应用，，，，，，，无法知足工业等应用场景下快速响应需求。。。。其二，，，，，，，模子对重大场景的顺应性。。。。在物理天下中，，，，，，，多模态异构数据往往具有重大的漫衍和噪声，，，，，，，怎样使 DMs 在这些重大情形下仍能准确地检测恣意可能异常，，，，，，，仍需进一步探索。。。。 展望未来，，，，，，，该领域展现出精彩应用远景和研究潜力。。。。第一，，，，，，，优化 DMs 的架构和算法，，，，，，，提高其盘算效率，，，，，，，使其能够在资源受限的情形中运行。。。。？？？⑶崃考兜睦┥⒛Ｗ，，，，，，，或者接纳模子压缩、加速推理等手艺，，，，，，，有望解决盘算效率问题。。。。第二，，，，，，，增强 DMs 对重大场景的明确和顺应能力也是要害。。。。通过引入多模态信息、刷新数据增强手艺等方法，，，，，，，使模子能够更好地处置惩罚重大多变的数据。。。。第三，，，，，，，探索 DMs 与基础模子以及强化学习等前沿手艺的连系，，，，，，，将为面向现实应用的异常检测与天生模子带来新的突破。。。。 手艺框架的系统性构建：首次将基于 DMs 的异常检测要领划分为基于重构、基于密度、基于分数三大评分范式，，，，，，，并针对图像、视频、时间序列等差别数据模态，，，，，，，叙述模子架构分类和最新希望。。。。 学术研究的前瞻性展望：客观剖析目今手艺瓶颈，，，，，，，包括扩散历程的多步盘算开销、小样本场景的泛化能力缺乏、理论诠释的缺失等；；；展望主要研究趋势，，，，，，，如与大语言模子融合实现上下文感知检测、基于元学习的快速领域顺应、以及面向实时场景的高效架构设计。。。。