Google开源了一个称为SPADE（Semi-supervised Pseudo-labeler Anomaly Detection with Ensembling）半监督异常侦测框架，这个方法的优势在于，能够克服其他半监督异常侦测方法的缺点。SPADE只需要少量已标记与大量未标记资料，即可高效地侦测异常。

异常侦测应用範畴很广，包括API安全、金融诈欺、製造缺陷等领域，皆可透过辨识资料和预期模式的不同，来找出异常项目。SPADE是Google所开发的高效异常侦测方法，其使用一组单类分类器（One-Class Classifiers，OCCs），作为虚拟标籤器和监督分类器，特别适合已标记与未标记样本数量存在分布差异的资料集。

由于建立大规模标记资料集的过程不只耗时且成本昂贵，而SPADE利用半监督学习方法，仅需少量标记资料即可达到良好的侦测效果，进而降低资料标记成本。

研究人员也解释，大多数半监督式方法假设已标记和未标记资料来自相同的分布，也就是已标记和未标记资料由相同的来源或是机制生成，具有相似的分布特性和模式。但是实际情况通常并非如此，已标记资料可能仅包含一种类型的异常，但是未标记资料却包含多种类型的异常，或是标记资料仅包含易于标记的样本。

SPADE能够解决大多数半监督式方法的缺陷，其运作方式是先使用多个单类分类器来学习资料中正常样本的特徵，接着这些分类器分别对未标记的资料进行预测，生成虚拟标籤，猜测异常与正常的资料，但只有当所有分类器一致认为特定样本为异常时，才会真正将其标记为异常。通过虚拟标籤以及原始标记资料，一起训练监督异常模型，完成训练后，该模型便可用于侦测新资料中的异常。

简单来说，SPADE透过猜测异常样本，并利用猜测结果与标记资料一起训练模型，实现更高效精确的异常侦测。