无监督学习何时成败？基于子空间视角的重构异常检测几何分析
该研究探讨了基于重构的无监督异常检测在模型过度拟合异常或丢失正常变异时的失败机理。论文借助“子空间追求”（PoS）假说，从交集、并集和联接几何视角对失败模式进行理论表征：模型容量过大易引发联接盲区，容量不足则会导致交集偏好与正常保真度下降。研究证明紧凑的正常数据并集是最优保真范围，通常依赖非线性重构映射实现。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
Gemini 企业 Agent 平台推出智能体异常检测私有预览版
Gemini 企业 Agent 平台现已开启智能体异常检测（Agent Anomaly Detection）的私有预览。该功能作为带外监管层，通过分析 OpenTelemetry 链路追踪和工具调用来捕捉行为风险，且不增加实时请求延迟。系统结合轻量统计扫描与基于 LLM 的深度推理，基于 OWASP Agentic Top 10 识别逻辑异常和违规行为。开发者可在 Security Command Center 中处理告警，或通过 API 编程阻断超出风险阈值的后续工具调用。
9月24日2026-09-24
Signal2Symbol：用于可解释生理时间序列异常检测的神经符号时序推理框架
针对心电图（ECG）和脑电图（EEG）等生理时间序列在复杂时序结构与高决策透明度方面的需求，现有深度学习模型往往缺乏对异常原因及局部关联的可解释性。研究团队提出了一种名为 Signal2Symbol 的神经符号框架，旨在实现可解释的生物信号异常检测。该方法首先将连续的生理信号转化为符号序列，进而结合神经符号时序推理，提升检测决策的透明度与规律挖掘能力。