Anomaly（异常/异常检测）指从数据中识别偏离正常模式的观测点的技术，是机器学习与数据挖掘中的基础任务，广泛应用于系统日志监控、时间序列分析、高能物理实验和网络安全等领域。当前研究重心正从静态数据集上的模型精度竞争，转向标注效率、流式场景适应性和评测协议可靠性等更贴近实际部署的议题。
Anomaly 检测的近期进展
在标注效率方向，OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection 提出仅需少量标注即可对多个时间序列异常检测器进行加权组合的方法，试图缓解异常样本稀缺、人工标注昂贵的长期痛点。
在评测方法学上，Protocol-Sensitive Evaluation of Log Anomaly Detection 针对日志异常检测指出，在 HDFS 和 BGL 这两个经典基准上，不同评测协议和目标访问方式会显著改变结论，并对各组件成本进行了拆解分析。这类工作回应了社区对基准结果可复现性的担忧。
流式数据场景也有了系统性梳理：A Comprehensive Benchmark of Anomaly Detection in Streams 对数据流中的异常检测方法进行了大规模基准测试，讨论了模型在持续到达的数据上是否需要更新的核心问题。
应用层面，异常检测正扩展到更多垂直领域。On-Board Anomaly Detection for Efficient Marine Environmental Monitoring 将其用于海洋环境监测的星上/设备端实时处理；Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC 则面向 HL-LHC 高亮度大型强子对撞机，对学习到的碰撞事件表示做局部诊断以发现新物理信号；另有研究探索混合量子方法在触觉互联网安全中的异常检测资源分配问题。
当前焦点与观察点
综合来看，Anomaly 研究呈现三个值得关注的趋势：其一，标注成本成为核心约束，少样本、无监督和自监督方法持续受到重视；其二，评测协议本身成为研究对象，传统基准（如 HDFS、BGL）在更严格的协议下可能给出不同结论，这提示从业者谨慎解读过往对比结果；其三，部署环境（流式数据、资源受限的边缘设备）正取代离线精度成为方法设计的主要出发点。未来一段时间，跨领域基准的标准化与检测器在真实系统中的长期稳定性验证，可能是决定该方向落地速度的关键。