使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于GAN的方法快了数百倍。

Feb, 2018

利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

Sep, 2018

本文提出一种基于双向GAN的异常检测方法ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

Dec, 2018

本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在SWaT和WADI数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

Jan, 2019

本研究提出一种使用生成对抗网络结合编码器进行无监督学习的异常检测方法，能够在污染数据的情况下识别图像中的异常，并在 CIFAR-10 数据集和一个未经测试的细胞图像数据集上实现了最先进的性能。

May, 2019

本研究调查了基于GAN的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的GAN模型的性能。同时，提供了一个完整的开源工具箱来使用GAN进行异常检测。

Jun, 2019

使用生成对抗网络集成的方法提高无监督学习下的异常检测性能，通过实验验证集成的优越性。

Dec, 2020

在时间序列数据中，我们提出了一种名为调整LSTM GAN（ALGAN）的新型生成对抗网络（GAN）模型，它能够调整LSTM网络的输出以提高无监督设置下单变量和多变量时间序列数据的异常检测性能。通过对46个真实世界的单变量时间序列数据集和一个涵盖多个领域的大型多变量数据集进行实验，我们证明ALGAN在时间序列数据的异常检测方面优于传统的基于神经网络和其他基于GAN的方法。

Aug, 2023

使用生成对抗网络（GANs）进行电力发电厂异常检测的研究表明，GANs在有效的异常检测方面表现出色，特别适用于使用大型数据集。

Sep, 2023

基于信息重要性度量的生成对抗网络的多时间序列异常检测算法具有优越的准确率、召回率和F1分数。

Oct, 2023