近期，我校人工智能学院郑剑团队在“异常检测鲁棒性—适应性权衡”难题上取得突破性研究进展，研究成果“Necessity of a Dual-Engine Paradigm: Resolving the Robustness-Adaptability Trade-off in Anomaly Detection”（双引擎范式的必要性：解决异常检测中鲁棒性与适应性的权衡问题）发表在人工智能旗舰期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI，影响因子20.4，中科院一区Top，CCF A），已在线刊出（DOI10.1109/TPAMI.2026.3733282）。

研究团队开创性提出双引擎异常检测框架，将高斯正交系综（GOE）宏观统计引擎与多粒度液态神经网络（MLNN）微观动态引擎相结合，通过正则化实现稳定融合，在保持正常几何结构的同时捕捉自适应时序模式，使两个引擎协同运作，从数学上证明了单引擎架构无法突破检测完备性下界，相关理论结果进一步刻画了该框架的泛化边界与适用条件，为构建兼具理论根基与自适应能力的异常检测系统提供了新思路。