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

本文提出了一种用于时序数据异常检测的基于生成对抗神经网络的无监督方法 TAnoGan，实验结果表明其比传统及神经网络模型表现更好。

Aug, 2020

一篇最近的研究表明，在学习成功分类的时间序列数据的分层表示方面，监督卷积神经网络（CNNs）具有优势。然而，这些方法需要足够大规模的标记数据进行稳定学习，然而获取高质量的标记时间序列数据可能是昂贵且难以实现的。因此，本文引入了一种时间序列卷积生成对抗网络（TCGAN），通过在没有标记信息的情况下，让两个一维 CNN（即生成器和判别器）进行对抗性博弈来学习。TCGAN 在合成和真实数据集上进行了广泛的实验证明其比现有时间序列生成对抗网络更快且更准确，其学习到的表示使得简单的分类和聚类方法能够达到优越且稳定的性能，在少标记和不平衡标记的场景下仍保持高效性。本研究为有效利用丰富的无标记时间序列数据提供了一条有希望的途径。

Sep, 2023

本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

Jun, 2020

本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。

Oct, 2022

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

提出一种基于重构的异常检测方法 MissGAN，通过迭代学习将自然而平滑的时间序列重视切分为较粗的片段，并在低维度表示基础上发现更细的段落，从而学习多尺度段落，并通过对抗规则和额外条件状态重构一个有意义且稳健的时间序列，不需要标签或仅需要正常实例的标签，适用范围广泛。

Apr, 2022

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

本文提出了一种数据增强方法 Time-Conditional Generative Adversarial Network (T-CGAN)，通过条件生成对抗网络生成新的时间序列，对比其他数据增强技术，得到了更好的分类效果。

Nov, 2018