通过比较各种深度学习架构在宇宙飞船数据中检测异常的有效性，结果显示卷积神经网络（CNNs）在识别空间模式方面表现出色，长短时记忆网络（LSTM）和递归神经网络（RNNs）则在捕捉时间序列航天遥测中的时序异常方面表现出较高的功效。 Transformer 架构在以局部和全局上下文为重点的情况下显示出有前途的结果，特别是在异常更加微妙且持续时间较长的情况下。

Mar, 2024

本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型，该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常，实验结果表明该模型能够提供可靠和高效的集体异常检测方案。

Mar, 2017

该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

Sep, 2023

本研究提出了一种基于仿真蒙特卡罗 dropout 方法的 BNN 时间序列预测和不确定性估计方法，用于卫星遥测异常检测，实现了更准确和可靠的检测。

Nov, 2022

发展了一种基于机器学习的故障检测方法，利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值，当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验，结果表明，使用单个轨道锁定控制系统组件的监测数据，我们的解决方案可以识别出 68.6%-89.3% 的实际异常，准确率可以高达 82%。

Jan, 2024

本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

Jul, 2018

本文提出一种基于自监督学习的异常检测框架，应用于广泛的射电望远镜系统，能够在实时处理中，有效地分类常见异常及检测未知异常。通过为 Low Frequency Array（LOFAR）望远镜提供的数据集验证，该方法取得了高效且有效的结果，表现优于其他相关作品。

Jul, 2023

本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提供了半监督和全监督框架的扩展，取得了显著的性能提升。

Oct, 2017

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

本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

Apr, 2017