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

使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。

Jul, 2016

本研究提出了一种名为 RAE-MEPC 的无监督多变量时间序列异常检测模型，利用多分辨率集成和预测编码学习具有非线性时间动力学的正常行为的信息丰富的表示，实验结果表明该模型在多变量时间序列异常检测方面胜过基准模型。

Feb, 2022

本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。

Aug, 2021

本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。

Jan, 2022

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

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

本文提出了一种名为 CAN（coupled attention-based neural network）的框架，用于动态变量关系特征的多变量时间序列异常检测，通过自适应图学习方法与图关注机制相结合，基于全局 - 局部图来表示全局相关性和动态相关性，通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块，实现了多层编码器 - 解码器架构进行重构和预测任务，实验结果表明 CAN 方法明显优于现有的基准方法。

Jun, 2023

该研究论文提出了基于无监督的短期和长期遮蔽表示学习的异常检测方法，结合注意力机制和时间序列编码来提高多变量时间序列的预测性能和可解释性， 实验证明该方法在三个实际数据集上的性能优于其他最先进的模型。

Aug, 2022

本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

Sep, 2020