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

TADNet 是一种端到端的传统时间序列异常检测模型，利用季节 - 趋势分解将各种类型的异常链接到特定的分解组件，从而简化复杂时间序列的分析，并提高检测性能。

Sep, 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

当前时间序列异常检测（TAD）研究中存在评估指标缺陷、不一致的基准测试实践以及对新颖深度学习模型设计选择的缺乏合理的论证。本文对 TAD 中的现状进行了批判性分析，揭示了当前研究的误导轨迹，并突出了存在问题的方法及评估实践。我们的观点主张从仅追求模型设计的新颖性转向改进基准测试实践、构建非平凡数据集，并重新强调研究模型架构在特定任务中的实用性。我们的发现表明需要严格的评估协议、创建简单的基线，并揭示现有最先进的深度异常检测模型实际上只是学习线性映射。这些发现表明需要更多探索和开发简单且可解释的 TAD 方法。遗憾的是，现有最先进的深度学习模型的复杂性增加带来的改进很少。我们提供对该领域前进的见解和建议。

May, 2024

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

TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

Feb, 2024

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

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

该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中各种异常类型的泛化能力。大量实验表明，该训练策略的效果显著，该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21％、98.43％和 97.70％。

Jul, 2024

本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

Oct, 2023