本文提出了 MemStream，一种流异常检测框架，使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势，以应对流式数据中的异常情况和概念漂移，并通过实验结果证明其有效性。

Jun, 2021

该论文提出了多种在线算法用于发现动态图和多方面数据流中的异常行为，并探讨了使用记忆模块的自动编码器来处理概念漂移的有效性。

Jan, 2023

StreamSpot 是一种基于聚类的异常检测方法，可以在消耗有限的内存的同时，实时对包含不同节点和边的杂乱图形流进行检测，并可处理超过每秒 100K 条边的数据流。该方法具有良好的性能，并且可以处理从正常浏览器活动到各种攻击情况的各种情况。

Feb, 2016

本文提出了一种名为 CubeScope 的高效方法，针对高维状态随时间变化的数据流，通过识别 “regimes” 和 “components” 两种模式进行多维总结和隐含群组发现，可应用于数据压缩、异常检测、模式发现等领域。实验结果表明，CubeScope 比现有的方法更快更准确地发现有意义的模式和异常。

Mar, 2023

本文提出了基于概率指数加权移动平均（PEWMA）的实时多元异常检测算法，能够在数据流中对 (突发瞬态、突发分布和渐变分布) 的数据漂移具有鲁棒性，且无需标记样本，能够有效检测概念漂移。

Sep, 2022

本文提出 MIDAS 算法，用于在线检测动态图中的异常行为，关注于检测突然出现的被怀疑相似的边缘组，比现有方法快 162-644 倍，并提高了 42-48% 的准确性。

Nov, 2019

MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体的共同性进行聚类策略，实现更精确和详细的密度估计。

Dec, 2023

通过模仿多门专家混合（MMoE）的设计，我们引入了 CAD，一种冲突感知的多变量关键绩效指标异常检测算法，通过为每个指标提供独特的结构来缓解潜在冲突，同时促进指标之间的相互促进，并且通过简单而有效的任务导向的度量选择和个性化与共享的门控机制来建立 CAD 作为第一个实用的基于多任务学习的多变量时间序列异常检测模型，对多个公共数据集的评估表明，CAD 在三个公共数据集上获得了平均 F1 分数 0.943，显著优于现有的方法。

Aug, 2023

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 2023

我们提出了一种以 Segment Anything（SAM）为导向的双流轻量级模型，用于无监督异常检测（STLM），在工业异常检测中取得了与最先进方法相媲美的性能，并在更困难的数据集上进一步验证了它的有效性和通用性。

Feb, 2024