提出了一种在定期光曲线目录中发现异常值的方法，使用交叉相关作为两个单独的光曲线之间 “相似性” 的度量，然后将平均 “相似性” 最低的光曲线分类为异常值，用 MACHO 和 OGLE 计划的已知类型的变量星目录进行了分析，证明该方法正确地将不属于这些目录的光曲线识别为异常值 ，展示了如何将该方法扩展到未来可用的大型数据集，例如来自 Pan-STARRS 和 LSST 的数据集。

May, 2005

提出了一种基于信息理论的新度量学方法，称为 Correntropy Kernelized Periodogram（CKP），通过将交叉熵与周期核相结合，对光度曲线的周期性进行识别，并可以直接从可用样本中计算，用于自动化地鉴别灯变曲线中的周期性，从马洛调查绘制的一组光度曲线中表现出优异的性能。

Dec, 2012

本文使用机器学习算法对开放超新星目录的光度数据进行自动异常检测，并通过管道流程识别 33％的异常天体，其中包括超亮超新星，非经典 Ia 型超新星，不寻常的 II 型超新星，一个活动星系核和一个二进制微引力透镜事件等等。

May, 2019

该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。

Apr, 2024

通过 RNN-based 变分自编码器和孤立森林算法，本研究提出了第一个用于超新星的异常检测管道，可以在在线数据流中快速检测到突发的，多变的和非周期性的异常事件。

Oct, 2020

提出了一种专门用于天文观测的无监督异常检测框架 AERO，该框架利用 Transformer 和图神经网络的结构，能够准确检测出天文观测中的异常，并较其他模型表现更好。

Mar, 2024

我们提出了一种基于深度学习的 CPD/AD 方法，名为 Probabilistic Predictive Coding (PPC)，该方法通过联合学习将序列数据编码成低维潜在空间表示，并预测后续的数据表示以及相应的预测不确定性。该方法具有解释性和可调整性，具有线性时间复杂度，并能适应多种数据类型和复杂应用。

May, 2024

本研究分析了时间序列异常检测中评分协议的合理性，并提出了一种新的基准和评估协议，以帮助更精确地评估 TAD 方法并推动未来的研究。

Sep, 2021

通过结合多元时间序列表示学习的最新发展和最初为计算机视觉开发的深度异常检测技术，我们引入了神经上下文异常检测（NCAD）框架，该框架可无缝地从无监督到监督设置扩展，可应用于单变量和多变量时间序列。我们的窗口式方法通过将通用合成异常注入到可用数据中来促进学习正常和异常类之间的边界，并且我们的方法可以在半监督的情况下有效地利用所有可用的信息。我们在标准基准数据集上进行了实证，证明了我们的方法在这些设置中获得了最先进的性能。

Jul, 2021

本文提出一种新型的异常检测方法，称为 “异常的先驱”（PoA）检测，通过神经控制微分方程的神经网络以及多任务学习算法，在金融、制造和网络安全等领域的时间序列数据中取得了比传统方法更优秀的结果。

Jun, 2023