本文提出了一种弱监督异常定位方法，利用高阶上下文编码模型提取语义表示，度量动态变化并有效利用时间上下文，通过聚合动态变量和立即语义来获取最终的异常分数，并通过增强策略处理噪声干扰和异常检测中的定位指导缺失，同时收集了一组新的交通异常数据集（TAD），实验表明该方法在常见的异常检测基准测试集中实现了最新的最佳性能。

Aug, 2020

本文提出了一种被称为弱监督时空异常检测的新任务，针对监控视频的异常情况进行定位。我们提出了一种双分支网络方法，能够在时空域中使用多粒度的 proposals 进行关系推理，以捕捉目标行为的丰富上下文信息和复杂实体关系。并且在两个数据集上进行了广泛的定量和定性评估，证明了所提方法的有效性。

Aug, 2021

我们提出了一种名为 E-DTWA 的新颖异常检测方法，它基于动态时间规整（DTW）算法，并加入了人在环路概念的额外改进，其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。

Oct, 2023

该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。

Apr, 2024

本文提出了一种基于时间序列的无监督异常检测方法，使用数据增强来实现具有鲁棒性的表示学习，并应用于最先进的异常检测技术中，实现在时间序列中检测点异常和序列异常，并与现有方法进行了对比，得到了良好的性能和计算效率。

Jun, 2019

本文提出了 DP-DTW 方法，用于学习类别特定的判别式原型，以便在时间识别任务中实现更好的性能，并且结合端到端深度学习，可在标准基准测试中实现最先进的弱监督行动分割问题，并通过对所学行动原型的详细推理来启用输入视频的详细摘要，即可以通过将输入序列与行动原型对齐来获得基于行动的视频摘要。

Mar, 2021

本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。

Sep, 2023

本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。

Apr, 2020

本文提出了一种名为 D3TW 的新模型，通过创新性的弱监督序列排序方式，在视频中实现了弱监督行为对齐和分割，并在数据集上进行了测试。

Jan, 2019

本文旨在通过提出一种动态时间池化技术（DTP）来改善现有卷积神经网络分类器在时间序列分类中舍弃时间信息的问题。结合动态时间扭曲（DTW）和卷积神经网络，实现对高层特征的汇聚和提取，通过在多个单元上进行优化，显著提高了分类性能。

Apr, 2021