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

本文提出了一种名为 CAN（coupled attention-based neural network）的框架，用于动态变量关系特征的多变量时间序列异常检测，通过自适应图学习方法与图关注机制相结合，基于全局 - 局部图来表示全局相关性和动态相关性，通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块，实现了多层编码器 - 解码器架构进行重构和预测任务，实验结果表明 CAN 方法明显优于现有的基准方法。

Jun, 2023

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

提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 2021

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

本文提出了一种多视图融合方法用于图形异常检测，该方法结合了视角级融合和特征级融合以更好地利用不同视角的信息。在多个数据集上进行的实验表明，该方法在异常检测性能和泛化能力方面优于其他现有算法。

Dec, 2022

本文提出了一种名为 CGAD 的新框架，用于多变量时间序列异常检测，利用传递熵构建反映时间序列数据中潜在因果关系的图结构。通过加权图卷积网络和因果卷积模型多变量时间序列数据中的因果图结构和时间模式。此外，CGAD 还应用异常得分和基于中值绝对偏差的归一化方法提高异常检测的鲁棒性，实验证明，CGAD 在真实数据集上的表现优于最先进的方法，根据三种不同的多变量时间序列异常检测指标平均提高了 15%。

Dec, 2023

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

本文提出了一种基于生成对抗网络（GANs）的无监督异常检测方法 ——TadGAN。TadGAN 利用长短时记忆网络（LSTM）作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性，并通过循环一致性损失进行训练，以实现有效的时间序列数据重构。此外，该方法还提出了计算重构误差的几种新方法，以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明 TadGAN 能够有效地检测异常，并在大多数情况下（11 个数据集中的 6 个）胜过基线方法。

Sep, 2020