MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体的共同性进行聚类策略，实现更精确和详细的密度估计。

Dec, 2023

本研究提出一种结合贝叶斯网络与正则化流算法的 GANF 方法，用于多时间序列数据的异常检测和密度估计。实验证明该方法在时间序列密度估计、异常检测和检测数据时序漂移等方面具有较高的有效性。

Feb, 2022

本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

Sep, 2020

本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD，通过利用图的演化特性辅助图和时间序列预测任务，从而根据跨序列关系和时间模式的偏离来检测异常状态，并在实际数据集上验证了其胜过基线异常检测方法的性能。

Feb, 2023

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 2023

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

通过提出一种名为 GST-Pro 的新框架，结合了图形时空过程和异常得分机制来检测多变量时间序列中的异常，即使数据中存在缺失值，该方法也能有效检测并优于现有方法。

Jan, 2024

该研究提出了 GTA，一种新的多元时间序列异常检测框架，具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验，证明了该方法优于替代的最新技术水平。

Apr, 2021

本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。

Jun, 2022

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