[모두의 연구소] 주차별 논문 리스트 (260720)

주차별 논문 정리

2주차 — Deep SAD

• Deep Semi-Supervised Anomaly Detection (Ruff et al., ICLR 2020)
• https://arxiv.org/abs/1906.02694

3주차 — SoftPatch

• SoftPatch: Unsupervised Anomaly Detection with Noisy Data (Jiang et al., NeurIPS 2022)
• https://arxiv.org/abs/2403.14233 (arXiv 등록판) / https://openreview.net/forum?id=pIYYJflkhZ

4주차 — SimpleNet

• SimpleNet: A Simple Network for Image Anomaly Detection and Localization (Liu et al., CVPR 2023)
• https://openaccess.thecvf.com/content/CVPR2023/html/Liu_SimpleNet_A_Simple_Network_for_Image_Anomaly_Detection_and_Localization_CVPR_2023_paper.html

5주차 — WinCLIP

• WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation (Jeong et al., CVPR 2023)
• https://arxiv.org/abs/2303.14814

6주차 — AnomalyCLIP

• AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection (Zhou et al., ICLR 2024)
• https://arxiv.org/abs/2310.18961

7주차 — Self-Supervised Learning for ASD

• Self-Supervised Learning for Anomalous Sound Detection (Wilkinghoff, ICASSP 2024) — FeatEx 기법 제안
• https://arxiv.org/abs/2312.09578 / https://github.com/wilkinghoff/ssl4asd

8주차 — Pre-trained Models for ASD

• Exploring Large Scale Pre-Trained Models for Robust Machine Anomalous Sound Detection (Han et al., ICASSP 2024) — wav2vec 2.0, BEATs 등 비교
• https://ieeexplore.ieee.org/document/10447183

9주차 — AnoPatch

• AnoPatch: Towards Better Consistency in Machine Anomalous Sound Detection (Jiang et al., Interspeech 2024) — AudioSet 사전학습 ViT 활용
• https://arxiv.org/abs/2406.11364

10주차 — Unsupervised Signal Anomaly Transformer

• Unsupervised Signal Anomaly Transformer method: Achieving bearing life anomaly detection without the need for failure samples (Engineering Applications of Artificial Intelligence, 2024)
• https://www.sciencedirect.com/science/article/abs/pii/S0952197624010984

11주차 — Multi-Scale Self-Supervision (BYOL)

• A Multi-Scale Self-Supervision Approach for Bearing Anomaly Detection Using Sensor Data Under Multiple Operating Conditions (Dai et al., Sensors 2025)
• https://doi.org/10.3390/s25041185 / https://pmc.ncbi.nlm.nih.gov/articles/PMC11859829/

12주차 — Masked SSL + Swin Transformer

• Unsupervised Bearing Fault Diagnosis Using Masked Self-Supervised Learning and Swin Transformer (Luo & Liu, Machines 2025)
• https://www.mdpi.com/2075-1702/13/9/792

12주차 주제("Masked SSL + Swin Transformer — 비라벨 진동 신호 베어링 진단")와 관련해 참고할 만한 대안 논문들을 찾았습니다.

12주차 대안 논문 후보

1. MSFormer (원조 격 논문, 가장 유사한 컨셉)

• A Mask Self-Supervised Learning-Based Transformer for Bearing Fault Diagnosis With Limited Labeled Samples (Cen, Yang, Wu et al., IEEE Sensors Journal, 2023, Vol.23, No.10, pp.10359-10369)
• https://ieeexplore.ieee.org/document/10098752/
• 마스킹 기반 SSL로 사전학습 후 소량의 라벨 데이터로 파인튜닝하는 구조. 원 커리큘럼의 Swin Transformer 논문의 직접적인 선행연구 격입니다.

2. Multi-scale masking 기반 self-supervised transfer learning

• A Novel Multi-Task Self-Supervised Transfer Learning Framework for Cross-Machine Rolling Bearing Fault Diagnosis (Electronics, 2024)
• https://doi.org/10.3390/electronics13234622
• 여러 스케일의 마스킹 기법을 설계해 진동 신호 복원 기반 SSL을 수행 — cross-machine(기계 간 전이) 설정까지 다룸.

3. Progressive masking + teacher-student 구조

• Self-supervised progressive learning for fault diagnosis under limited labeled data and varying conditions (ScienceDirect, 2025)
• https://www.sciencedirect.com/science/article/abs/pii/S0925231225007982
• 마스킹 난이도를 점진적으로 조절하는 teacher-student 프레임워크로, 12주차 논문과 마스킹 전략 설계 관점에서 비교하기 좋음.

4. ViT + DINO 기반 self-distillation (Transformer 계열 대안)

• A Wavelet Transform and Self-Supervised Learning-Based Framework for Bearing Fault Diagnosis with Limited Labeled Data (Jin et al., 2022/arXiv)
• https://arxiv.org/abs/2207.10432
• Swin 대신 ViT + DINO(자기증류) 방식을 사용해, "Transformer 계열 백본 선택"이라는 관점에서 대조 강의자료로 적합.

추천: 강의 흐름상 12주차 원 논문(Swin Transformer, Machines 2025)과 함께 1번(Cen et al., MSFormer)을 "마스킹 SSL 기반 베어링 진단"의 계보 초기 논문으로, 2번(Multi-Task SSL, Electronics 2024)을 최신 확장판으로 짝지어 소개하면 강의 스토리(마스킹 SSL 기법의 발전 과정)가 자연스럽게 이어집니다.

몇 가지 참고할 점:

• 3주차 SoftPatch는 원래 NeurIPS 2022에 게재되었고, arXiv 2403.14233은 이후 업데이트된 버전입니다.
• 8주차는 "BEATs 등"이라는 표현과 정확히 일치하진 않지만(이 논문은 wav2vec 2.0, HuBERT, BEATs 등 여러 대형 사전학습 모델을 비교), 커리큘럼 흐름(ICASSP 2024, ASD + 대형 사전학습 모델)상 가장 근접한 논문입니다. 혹시 커리큘럼 원저자가 참조한 논문이 다를 가능성도 있습니다.