本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

Sep, 2021

研究开发了两种新的统计技术，用于自动检测云基础架构数据中的异常，采用季节性分解和鲁棒统计度量，有效实现在季节性高峰存在的情况下的异常检测。从容量规划，用户行为和监督学习三个方面证明了所提出技术的有效性。

Apr, 2017

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

本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

Mar, 2023

多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

Aug, 2023

该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

Nov, 2018

该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

May, 2024

本篇论文介绍了针对时间序列数据异常检测的分类方法，并对传统和深度学习技术进行了评估和比较，为选择最适合特定应用设置的方法提供了指导，并提出了研究方向。

Sep, 2022

多元时间序列数据在智能医疗场景中的异常活动检测具有潜在的准确性，但是异常模式多样且在时间序列中变得难以察觉。为了解决这个问题，我们提出了一种基于残差的异常检测方法 Rs-AD，用于有效的表示学习和异常活动检测。我们在真实步态数据集上评估我们的方案，并实验结果表明 F1 得分为 0.839。

Sep, 2023

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