时间异常检测：校准惊奇

AAAIMay, 2017

Temporal anomaly detection: calibrating the surprise

Eyal Gutflaish, Aryeh Kontorovich, Sivan Sabato, Ofer Biller, Oded Sofer

TL;DR本文提出了一种混合方法，用于检测用户对数据库的访问数据中的时间异常，该方法使用单个稳态模型进行异常检测，学习一个低秩稳态模型然后拟合回归模型来预测未来正常访问模式的期望可能性得分，然后使用观察到的得分和预测得分之间的差异来评估异常得分，使得时间变化的正常行为模式不被视为异常，实验结果表明了该方法的有效性。

Abstract

We propose a hybrid approach to temporal anomaly detection in access data of users to databases --- or more generally, any kind of subject-object co-occurrence data. We consider a high-dimensional setting that al

temporal anomaly detection access data stationary model regression model calibration

发现论文，激发创造

模型适应新的规范：无监督时间序列异常检测的测试时间调整

针对非监督时间序列异常检测研究中的 ' 新常态问题 '，本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略，通过在推理过程中学习新的常态性，从而提高异常检测器的性能并增强对分布变化的鲁棒性。

Dec, 2023

大规模视频异常检测的判别式框架

本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

Sep, 2016

时间序列异常检测的严格评估

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

云系统中的性能问题识别与关系时序异常检测

该研究论文提出了一种关联时间异常检测模型（RTAnomaly），该模型结合了指标的关联和时间信息，通过图注意力层学习指标之间的依赖关系，并利用正无标签学习来解决训练数据中潜在异常的问题。实验证明，RTAnomaly 在公共数据集和两个工业数据集上表现优于基准模型，平均 F1 得分为 0.929，Hit@3 为 0.920。

Jul, 2023

Rare Yet Popular: 基于标记数据集的网络异常检测证据和影响

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

利用测试时间增强和一致性评估进行异常检测

本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

Jun, 2022

基于校准的单类分类方法用于无监督时间序列异常检测

本文提出了一种新颖的单类学习方法，称为校准的单类分类，用于解决训练数据中未知异常数据的影响并提高数据正常行为的建模，实现对时序异常数据的监控和警报。经过对六个真实世界数据集的广泛实验，表明该模型显著优于十二个现有的竞争对手，并获得 6％-31％的 F1 分数提高。

Jul, 2022

用于自动 DBMS 诊断的多元非平稳时间序列异常检测

本研究提出了一种自动数据库管理系统诊断系统，通过使用深度自编码器和统计过程控制方法来检测异常，使用时间序列相似度度量方法来找到相关事件。实验结果表明，该模型具有较好的效果，特别是批处理时间规范化层。

Aug, 2017

失衡航空器数据异常检测

提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

May, 2023

时间敏感金融服务应用的时间知识蒸馏

在金融服务行业中，检测异常已成为一项越来越关键的功能。该研究提出了一种基于时间知识蒸馏的标签增强方法，利用旧模型的学习来快速提升最新模型的能力，从而有效减少模型重新训练的时间并改善其性能。

Dec, 2023