提出了 MIDAS 和 MIDAS-F 算法，基于流图数据并在恒定的时间和空间内在线检测异常，特别是检测微簇异常，通过调整异常得分函数和引入条件合并步骤，MIDAS-F 相比 MIDAS 有更高的准确性和更低的误报率，是一种可靠的异常检测方法。

Sep, 2020

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

本文提出了一种基于时间 - 频率分析的时序异常检测模型，TFAD，能够利用时间和频率域中的信息来提高性能，并在设计的时频架构中加入了时序分解和数据增强机制，以进一步提高性能和可解释性。经实证研究表明，该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。

Oct, 2022

利用参数高效联合异常检测（PeFAD）框架，通过利用预训练语言模型（PLM）作为客户端本地模型的主体，减少通信开销和本地模型适应成本，同时采用一种新颖的异常驱动蒙版选择策略以缓解训练过程中忽略异常值的影响。在共享的隐私保护数据集上还提出了知识蒸馏操作，以解决客户端间的数据异质性问题，实验证明 PeFAD 优于现有最先进基准方法最多达 28.74%。

Jun, 2024

我们提出了 SLADE (Self-supervised Learning for Anomaly Detection in Edge Streams) 方法，用于在边缘流中快速检测动态异常，无需依赖标签，并通过观察节点交互模式的偏离来检测节点进入异常状态的变化。在四个真实世界数据集上的动态异常检测中，SLADE 优于九种竞争方法，甚至那些利用标签监督的方法。

Feb, 2024

本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

Apr, 2022

本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50％通信开销。

Jul, 2020

本文提出了一种新的 Point-Adjusted protocol with decay function (PAdf) 评估方法用于评估时间序列异常检测算法，并通过实验证明了该方法能够正确解决现有方法所存在的过度和低估性问题。

May, 2023

提出了一种适用于边缘部署的漂移感知权重整合（DAWC）方法，通过检测漂移和估计参数重要性，逐步为故障诊断模型提供强大的泛化能力，从而实现在边缘设备上减少模型微调的需求，并节省计算资源。与现有技术相比，DAWC 取得了更好的性能，并确保与边缘计算约束的兼容性，并且还开发了一个全面的诊断和可视化平台。

Oct, 2023

该论文提出了一种基于垂直联合学习的算法 FadMan，用于多个属性网络和不带属性网络上的异常检测，涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面，实验结果表明，FadMan 在准确率方面比竞争方法至少高 12％。

May, 2022