这篇论文讨论了时间序列中的异常检测技术，提供了一种基于特征的分类法，并对现有技术进行了全面综述。

Feb, 2020

本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

Jan, 2023

我们的研究论文介绍了一种监督深度学习方法，用于多变量时间序列数据中的事件检测，采用回归而不是二分类。我们通过建立数学模型证明了我们的方法是普适的，能够在时间序列上满足任意精度的任何类型的事件检测，特别适用于罕见事件和不平衡数据集。

Nov, 2023

我们提出了一种基于扩散的非自回归时间点过程模型，用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程，并设计了一种新的降噪网络来捕捉顺序和上下文特征，从而在长期事件预测中取得了优越的性能。

Nov, 2023

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

本文提出了一种基于粒子平滑的方法，通过使用一种基于双向连续时间（LSTM）的可训练提议分布来填补残缺的序列，从而推断出遗漏的事件序列，该方法在多个合成和真实领域实验中表现出色，在推断地面真实未观察到的事件方面十分有效。

May, 2019

我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。

Jun, 2024

连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。

Dec, 2023

本文提出了一种基于贝叶斯方法的在线检测突变点的算法，该算法针对在突变点前后的模型参数独立的情况，采用简单的信息传递算法计算了当前 “run” 的长度的概率分布，并在三个不同的真实数据集上进行了演示。

Oct, 2007

该研究提出了一种新的事件检测方法，能够在时间序列数据中识别基于频率的事件，并通过对象检测模型将事件映射回时间序列数据以标记相应的时间间隔。该算法在未知数据集上评估时，在事件检测方面达到了 0.97 的准确率，提供了清晰的时间间隔边界，对于人工视觉检测来说这是一项具有挑战性的任务。将这种方法应用到车辆开发过程中，提高了事件检测的准确性和可靠性，对于快速测试分析非常重要。

Oct, 2023