评估实时异常检测算法 - Numenta 异常基准测试
本文研究了实时流数据下的异常检测技术，旨在提供一个有关性能与准确性表现的选择指南。该研究总结了一系列各领域应用的生产数据集，并阐述了现有技术在实时数据流上无法直接应用的问题。
Oct, 2017
本文在分析基准数据集时发现部分数据困扰检测算法流程，进而提出了 UCR Time Series Anomaly Archive 资源库，以期为学术界提供合适的评测标准并提升异常数据检测的研究进展。
Sep, 2020
本文提供了对不同算法家族的主要在线探测器的质量、综合概述，包括构建、更新和测试探测模型的主要思想，并提供了在线检测算法与离线对应算法的结果定量实验评估的彻底分析，以及对数据集（即元特征）的各种特征进行统计分析。
Sep, 2022
本文通过对 30 种算法在 57 个数据集上进行广泛实验，从不同角度回答了关于异常检测算法与监督程度、异常类型、噪声数据表现的问题。在对 ADBench 数据集进行全面介绍的同时，文章提出了未来算法选择和设计方向，并且为作者贡献的数据集提供了公正的比较基线算法。文中开源了 ADBench 数据集及相应结果，具有较高的可访问性和可复现性。
Jun, 2022
TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。
Feb, 2024
本文使用元分析研究异常检测问题和方法，提供了大量异常检测基准数据和实验结果，分析了实验设计、指标和算法策略的影响，为异常检测问题提供了本体、方法、实验规范和未来研究的指导。
Mar, 2015
时间序列异常检测是许多应用领域中一个普遍存在的问题，最近增加了基于深度学习的方法，而我们提出了 OrionBench 这一用户中心持续维护的基准测试框架用于无监督时间序列异常检测。
Oct, 2023
机器学习在卫星遥测的异常检测方面具有巨大潜力，欧洲航天局异常检测基准 (ESA-ADB) 旨在解决多变量时间序列异常检测的挑战，并在这一领域树立新的标准。
Jun, 2024
本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。
Nov, 2022
本文提出了一个用于挑战流算法的公共数据存储库，其中包含来自文献的最受欢迎的数据集和与公共健康问题有关的新数据集，旨在缓解涉及流分类器和漂移检测器的实验性评估中的数据集选择问题，并对数据分布中不同类型变化及其导致的原因和问题进行了深入的讨论。
Apr, 2020