多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

Aug, 2023

论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

Jul, 2020

本文介绍了两种方法来解决实际应用中时间序列异常检测的需要，并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量，将所提出的方法应用于两个工业异常检测数据集，并与文献中的方法进行了比较。此外，本研究还指出了采用此类方法在实际应用中所面临的其他挑战。

Jul, 2022

针对非监督时间序列异常检测研究中的 ' 新常态问题 '，本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略，通过在推理过程中学习新的常态性，从而提高异常检测器的性能并增强对分布变化的鲁棒性。

Dec, 2023

本文调查了基于深度学习的时间序列异常检测的现状，提供了一种基于分类因素的分类法，并描述了每种分类法的优点和局限性，最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。

Nov, 2022

本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

Sep, 2021

本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常 vs. 异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

Feb, 2022

介绍了一种基于非线性流形学习的方法，利用潜在映射高斯过程或深度自编码器来检测无监督设置下的异常值，具有更好的性能。

Jun, 2023

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

我们提出了一种基于评分的生成模型的多变量时间序列异常检测器，称为 MadSGM，它考虑了最广泛的异常度量因素：基于重建、基于密度和基于梯度的异常度量。通过在五个真实世界基准数据集上的实验证明，MadSGM 实现了最稳健和准确的预测。

Aug, 2023