本文共 525 字，大约阅读时间需要 1 分钟。
论文信息
题目：PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection
PromptAD：仅使用正常样本进行少样本异常检测的提示学习
作者：Xiaofan Li, Zhizhong Zhang, Xin Tan, Chengwei Chen, Yanyun Qu, Yuan Xie, Lizhuang Ma
源码：https://github.com/FulNz-0/PromptAD.git
论文创新点
本论文提出了一种名为
PromptAD的单类提示学习方法，专门针对少样本异常检测任务进行优化。与传统的多类提示学习方法不同，PromptAD仅利用正常样本进行训练，通过引入语义连接和显式异常边界的设计，显著提升了模型在异常检测任务中的表现。
本方法的核心思想在于，仅使用正常样本来学习异常检测任务的关键特征，从而减少了对异常样本的依赖。这种单类提示学习框架不仅简化了训练过程，还能够更有效地捕捉异常数据的独特特征。
通过实验验证，PromptAD在多个基线方法上取得了显著的性能提升，尤其在处理复杂场景下的异常检测任务表现尤为突出。
转载地址：http://ntrfk.baihongyu.com/