Buchumschlag

Foundation Models for Anomaly Detection: Vision and Challenges

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ren, Jing, Tang, Tao, Jia, Hong, Xu, Ziqi, Fayek, Haytham, Li, Xiaodong, Ma, Suyu, Xu, Xiwei, Xia, Feng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Foundation Models for Anomaly Detection: Vision and Challenges
von: Jing Ren, et al.
Veröffentlicht: (2025)

LiteFat: Lightweight Spatio-Temporal Graph Learning for Real-Time Driver Fatigue Detection
von: Ren, Jing, et al.
Veröffentlicht: (2025)

GAD in the Wild: Benchmarking Graph Anomaly Detection under Realistic Deployment Challenges
von: Zhou, Jingjing, et al.
Veröffentlicht: (2026)

Spiking Graph Predictive Coding for Reliable OOD Generalization
von: Ren, Jing, et al.
Veröffentlicht: (2026)

A Survey on Diffusion Models for Anomaly Detection
von: Liu, Jing, et al.
Veröffentlicht: (2025)

Large Language Models for Forecasting and Anomaly Detection: A Systematic Literature Review
von: Su, Jing, et al.
Veröffentlicht: (2024)

Ten Challenging Problems in Federated Foundation Models
von: Fan, Tao, et al.
Veröffentlicht: (2025)

AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection
von: Qiao, Hezhe, et al.
Veröffentlicht: (2025)

Foundation Models and Transformers for Anomaly Detection: A Survey
von: Ammar, Mouïn Ben, et al.
Veröffentlicht: (2025)

Vision-Language Foundation Models as Effective Robot Imitators
von: Li, Xinghang, et al.
Veröffentlicht: (2023)

Time Series Foundational Models: Their Role in Anomaly Detection and Prediction
von: Shyalika, Chathurangi, et al.
Veröffentlicht: (2024)

EAGLE: Contrastive Learning for Efficient Graph Anomaly Detection
von: Ren, Jing, et al.
Veröffentlicht: (2025)

Advances and Open Challenges in Federated Foundation Models
von: Ren, Chao, et al.
Veröffentlicht: (2024)

RATFM: Retrieval-augmented Time Series Foundation Model for Anomaly Detection
von: Maru, Chihiro, et al.
Veröffentlicht: (2025)

Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection
von: Han, Chan Sik, et al.
Veröffentlicht: (2025)

When to Trust: A Causality-Aware Calibration Framework for Accurate Knowledge Graph Retrieval-Augmented Generation
von: Ren, Jing, et al.
Veröffentlicht: (2026)

Bridging Classification and Reconstruction: Cooperative Time Series Anomaly Detection
von: Tang, Qideng, et al.
Veröffentlicht: (2026)

Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring
von: Gil, Natalia Martinez, et al.
Veröffentlicht: (2026)

ChronosAD: Leveraging Time Series Foundation Models for Accurate Anomaly Detection
von: Khan, Uzair, et al.
Veröffentlicht: (2026)

AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection
von: Zhang, Junru, et al.
Veröffentlicht: (2026)

Evaluating Temporal Plasticity in Foundation Time Series Models for Incremental Fine-tuning
von: Liu, Jia, et al.
Veröffentlicht: (2025)

Angel or Devil: Discriminating Hard Samples and Anomaly Contaminations for Unsupervised Time Series Anomaly Detection
von: Zhang, Ruyi, et al.
Veröffentlicht: (2024)

Towards Foundation Auto-Encoders for Time-Series Anomaly Detection
von: González, Gastón García, et al.
Veröffentlicht: (2025)

Multi-Head Spectral-Adaptive Graph Anomaly Detection
von: Cao, Qingyue, et al.
Veröffentlicht: (2025)

A Graph-based Framework for Online Time Series Anomaly Detection Using Model Ensemble
von: Yu, Zewei, et al.
Veröffentlicht: (2026)

IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection
von: Zhou, Xiaohui, et al.
Veröffentlicht: (2026)

Synthetic Forgetting without Access: A Few-shot Zero-glance Framework for Machine Unlearning
von: Song, Qipeng, et al.
Veröffentlicht: (2025)

A Stronger Mixture of Low-Rank Experts for Fine-Tuning Foundation Models
von: Sun, Mengyang, et al.
Veröffentlicht: (2025)

The Boiling Frog Threshold: Criticality and Blindness in World Model-Based Anomaly Detection Under Gradual Drift
von: Hong, Zhe
Veröffentlicht: (2026)

Accessing Vision Foundation Models via ImageNet-1K
von: Zhang, Yitian, et al.
Veröffentlicht: (2024)

Anomaly Detection and Generation with Diffusion Models: A Survey
von: Liu, Yang, et al.
Veröffentlicht: (2025)

Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection
von: Chen, Junqi, et al.
Veröffentlicht: (2024)

LaVIDE: A Language-Vision Discriminator for Detecting Changes in Satellite Image with Map References
von: Jiang, Shuguo, et al.
Veröffentlicht: (2024)

Multiplicative Orthogonal Sequential Editing for Language Models
von: Xu, Hao-Xiang, et al.
Veröffentlicht: (2026)

On Diffusion Modeling for Anomaly Detection
von: Livernoche, Victor, et al.
Veröffentlicht: (2023)

Parameter-Efficient Fine-Tuning for Foundation Models
von: Zhang, Dan, et al.
Veröffentlicht: (2025)

Lifelong Continual Learning for Anomaly Detection: New Challenges, Perspectives, and Insights
von: Faber, Kamil, et al.
Veröffentlicht: (2023)

A Mamba Foundation Model for Time Series Forecasting
von: Ma, Haoyu, et al.
Veröffentlicht: (2024)

Robust Anomaly Detection in Network Traffic: Evaluating Machine Learning Models on CICIDS2017
von: Xu, Zhaoyang, et al.
Veröffentlicht: (2025)

Fine-Grained Traceability for Transparent ML Pipelines
von: Chen, Liping, et al.
Veröffentlicht: (2026)