AnoMix：多教师蒸馏的轻量时序异常检测模型（NeurIPS 2026）
热点事件持续更新
AnoMix：多教师蒸馏的轻量时序异常检测模型（NeurIPS 2026）
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Dongchan Cho 等在 arXiv 提交论文 AnoMix，提出将多个异构教师检测器的评分原则蒸馏进单个轻量学生模型，用于无监督时间序列异常检测；论文已被 NeurIPS 2026 接收。该方法对教师分数序列独立归一化，并用多教师排序蒸馏目标 CoRank 将分数差转化为成对监督。 在七个基准数据集上，参数量低于 80k 的学生模型优于单个检测器和静态分数集成；其零样本变体可迁移到未见数据集，并超越大型预训练时序基础模型。
AI 根据报道生成 · 56 分钟前更新
最新进展10月23日 12:00
AnoMix：面向无监督时间序列异常检测的多教师评分原则蒸馏报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv cs.AIAnoMix：面向无监督时间序列异常检测的多教师评分原则蒸馏
AnoMix 将多个异构教师检测器的评分原则蒸馏进单个轻量学生模型，用于无监督时间序列异常检测。它通过对教师分数序列独立归一化，并用多教师排序蒸馏目标 CoRank 将分数差转为成对监督。在七个基准数据集上，参数量低于 80k 的学生模型优于单个检测器和静态分数集成；零样本变体还能迁移到未见数据集，并超越大型预训练时序基础模型。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。