加强注意力的自编码器用于建筑能耗异常检测
创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。
Apr, 2024
该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。
May, 2024
该研究致力于发布一个有注释的 ASHRAE Great Energy Predictor III 数据集版本，其中包含 1,413 个智能电表时间序列，为大规模异常检测的研究工作提供支持，并将八种先进的异常检测方法的性能与数据集进行了比较。
Mar, 2022
本文介绍了一种用于时间序列中的无监督在线异常检测的混合注意力和自编码器（AE）模型。该模型结合了注意力和自编码器的方法进行时间序列异常检测，通过对自编码器潜在空间中的下一个时间步骤窗口进行预测，使用验证数据集中的阈值进行异常检测，并引入了基于错误的第一统计矩的替代方法，提高了准确性。通过对多样的真实世界基准数据集进行评估，并与其他成熟模型进行比较，验证了我们提出的模型在异常检测中的有效性。
Jan, 2024
该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。
May, 2024
这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。
Nov, 2018
利用深度学习方法进行运动设施异常检测的研究，通过数据特征提取和阈值估计技术实现有效地异常检测，并减少误报，结果表明该方法在实际应用中具有优势。
Feb, 2024
通过使用半监督机器学习的实时自编码器异常检测系统，可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题，同时利用时间依赖性演化和探测器响应的空间变化，最大程度提高异常检测性能，该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证，并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。
Sep, 2023
本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。
Mar, 2020