深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力，通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题，同时降低了深度学习模型设计和实现的复杂度。

Jul, 2023

本文针对深度学习异常检测问题进行了系统综述，将研究方法划分为不同的类别并探讨其在应用领域的适用性和效果，同时讨论了现有研究的局限性和未来研究的方向。

Jan, 2019

本文研究了全部三类（统计学、机器学习和深度学习方法中）的 20 种单变量异常检测方法，并在一些公共数据集上进行了评估。通过分析每种方法的准确性和算法的计算时间，提供了这些异常检测方法的性能和适用数据类型的一些一般概念。

Apr, 2020

本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析，提供关于流行的深度学习技术的全面的系统性回顾，比较和对比它们的架构差异和训练算法，并提供了用于解释模型决策的深度模型解释策略的综合概述。此外，指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。

Dec, 2020

这篇论文讨论了时间序列中的异常检测技术，提供了一种基于特征的分类法，并对现有技术进行了全面综述。

Feb, 2020

本篇论文介绍了针对时间序列数据异常检测的分类方法，并对传统和深度学习技术进行了评估和比较，为选择最适合特定应用设置的方法提供了指导，并提出了研究方向。

Sep, 2022

本文综述了深度学习在时间序列分析和预测领域的主要技术，这些新技术实现了针对时间序列的无监督特征学习，并且取得了不错的应用效果。

Jan, 2017

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

这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

May, 2019

本文综述了现代深度学习技术在图异常检测中的应用，编译了开放资源的实现、公共数据集和常用评估方法，重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。

Jun, 2021