针对时间数据中的异常检测问题，提出了一种新的方法，借鉴了 DeepSVDD 的损失函数，结合了 Neutral AD 的确定性对比损失，提高了在实际工业数据集中的性能表现。

Apr, 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

通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

Apr, 2023

提出一种效率高且可扩展的时间序列异常检测框架 --RobustTAD，该框架通过整合强韧的季节 - 趋势分解和卷积神经网络来处理复杂的时间序列模式，以捕获多尺度信息，并使用数据增强方法来处理标注数据不足的问题。该框架在阿里巴巴集团的不同业务场景中广泛应用并表现显著优异。

Feb, 2020

该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

Nov, 2018

本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

Apr, 2024

本文提出了一种名为 GraphAD 的基于图神经网络的多元时间序列异常检测模型，该模型适用于考虑每个实体的时间序列数据，并在 Ele.me 的真实数据集上得到了优异的表现。

May, 2022

本文提出了一个统一的端到端方法，通过结合 Adversarial Autoencoder 和 Recurrent Neural Network 的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方法优于现有技术。

Jul, 2019

这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

May, 2019

本文提出了一种基于生成对抗网络（GANs）的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络（LSTM）作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性，并通过循环一致性损失进行训练，以实现有效的时间序列数据重构。此外，该方法还提出了计算重构误差的几种新方法，以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常，并在大多数情况下（11 个数据集中的 6 个）胜过基线方法。

Sep, 2020