本文提出了一种简单且有效的异常检测算法 ECOD，它是一种无参估计方法，通过计算数据的经验累积分布函数估计数据的尾部概率，进而计算每个数据点的异常得分。通过在 30 个基准数据集上的实验验证，我们发现 ECOD 在准确性、效率和可扩展性等方面均优于其他 11 种现有的异常检测方法。同时，我们还提供了易于使用、可扩展的 Python 实现，以保证算法的可访问性和可重复性。

Jan, 2022

提出了一种新的约束条件因果推断方法 eCDANs，旨在解决传统时态因果推断方法的问题，具有检测迟滞和同时因果关系以及时间变化的能力。实验表明该方法能够识别时间影响并优于基线方法。

Mar, 2023

通过结合多元时间序列表示学习的最新发展和最初为计算机视觉开发的深度异常检测技术，我们引入了神经上下文异常检测（NCAD）框架，该框架可无缝地从无监督到监督设置扩展，可应用于单变量和多变量时间序列。我们的窗口式方法通过将通用合成异常注入到可用数据中来促进学习正常和异常类之间的边界，并且我们的方法可以在半监督的情况下有效地利用所有可用的信息。我们在标准基准数据集上进行了实证，证明了我们的方法在这些设置中获得了最先进的性能。

Jul, 2021

通过使用预先训练的潜在扩散模型修复被屏蔽区域图像，并进一步通过混合来扰动光流以产生时间空间扭曲，提出了一种新的生成通用时空伪异常的方法。此外，通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架，在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验，证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性，通过识别伪异常从而发现现实世界的异常提供了有价值的见解。

Nov, 2023

本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算，并且在不假设任何分布的情况下，为基础随机过程提供了预测集，并提供信息指向潜在进程的高密度区域。

Feb, 2013

本文提出了一种混合方法，用于检测用户对数据库的访问数据中的时间异常，该方法使用单个稳态模型进行异常检测，学习一个低秩稳态模型然后拟合回归模型来预测未来正常访问模式的期望可能性得分，然后使用观察到的得分和预测得分之间的差异来评估异常得分，使得时间变化的正常行为模式不被视为异常，实验结果表明了该方法的有效性。

May, 2017

我们提出了一种有效的方法来检测视频中的异常，该方法利用卷积神经网络的卷积层进行物体识别和识别，其中包括两个主要组件，一个用于空间特征表示，以及一个用于学习空间特征的时间演变。实验结果表明，我们的方法的检测准确性与最先进的方法相当，速度高达 140 帧 / 秒。

Jan, 2017

本研究介绍了一种无监督式的感知时间序列异常检测方法（TSAD-C），通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤，成功在三个广泛使用的生理数据集上超越现有方法，达到了领域中的最新技术水平。

Aug, 2023

本文提出了基于随机化的方法来拓展符合推理的应用，使其能适用于时间序列数据，并通过引入分块结构来考虑潜在的串行相关性。当数据是独立同分布或更普遍地可交换时，该方法与传统的符合推理方法具有相同的无需模型的有效性；当数据不可交换时，如常见的时间序列数据，该方法在对符合程度得分的弱假设下也具有近似的有效性。

Feb, 2018

本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

Jul, 2021