实验室彭淑娟老师指导研究生范烨撰写的论文Towards Efficient Cross-Modal Anomaly Detection Using Triple-Adaptive Network and Bi-Quintuple Contrastive Learning，在期刊《IEEE Transactions on Emerging Topics in Computational Intelligence》发表。彭老师为通讯作者。

  该文指出，跨模态异常检测是机器学习领域一个相对较新且具有挑战性的研究课题，其目标是识别模式在不同模态间存在显著差异的异常样本。据现有研究所知，该课题尚未被充分研究，现有方法通常存在异常数据检测不完整和数据利用率低的问题。为了解决这些局限性，该文提出了一种基于三重自适应网络和双五元对比学习的高效跨模态异常检测方法（Triple-adaptive Network and Bi-quintuple Contrastive Learning，TN-BCL）。该方法属于异构多模态数据中检测各种跨模态异常的最早尝试之一。

具体来说，该文设计了一个三重自适应网络，用于显式地识别在单模态和跨模态场景中模式存在差异的异常样本。一方面，顶层分支网络自适应地检测多模态数据样本中的属性异常以及部分混合异常。另一方面，底部双分支网络通过共享残差块，学习具有判别力的跨模态嵌入。同时，该文提出了一种高效的双五元对比学习方法，增强了相同属性数据之间的特征关联，并最大化不同属性数据之间的特征差异。此外，通过采用双向学习机制，显著提高了数据利用效率。通过上述方法的联合应用，不同模态之间的各种异常样本均可被有效检测。实验结果表明，该文提出的框架在性能上显著超越现有的最先进方法，取得了大幅度的性能提升。