通过在训练时将正常数据设置为不同的上下文，而又保留其正常特性，我们提出了 Con2 方法，它使我们能够从不同的角度观察数据，从而使未见过的正常数据符合学到的上下文表示，而异常数据则无法做到，从而无需在训练过程中了解异常情况就能检测到异常数据。我们的实验结果表明，我们的方法在各种基准测试中取得了最先进的性能，并在更现实的医疗保健领域展现出卓越的性能，这里潜在异常情况的了解常常是有限的。

May, 2024

提出了一种基于深度对比学习的时序对比一类异 常检测方法（COCA），具有优秀的性能，并通过两个真实世界的 时间序列数据集的广泛实验进行验证。

Jul, 2022

通过结合多元时间序列表示学习的最新发展和最初为计算机视觉开发的深度异常检测技术，我们引入了神经上下文异常检测（NCAD）框架，该框架可无缝地从无监督到监督设置扩展，可应用于单变量和多变量时间序列。我们的窗口式方法通过将通用合成异常注入到可用数据中来促进学习正常和异常类之间的边界，并且我们的方法可以在半监督的情况下有效地利用所有可用的信息。我们在标准基准数据集上进行了实证，证明了我们的方法在这些设置中获得了最先进的性能。

Jul, 2021

通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

Apr, 2023

本文提出 DCdetector 模型，采用多尺度双重注意力对比度表示学习，实现时间序列异常检测的最新结果。

Jun, 2023

本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架，其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块， 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能，某些异常子类的检测准确率也得到了极大的提高。

Jun, 2023

本研究提出了一种基于上下文一致性规则学习的深度神经网络攻击检测方法，通过建立了一组自动编码器来检测违反上下文一致性规则的对抗扰动，实验证明该方法可以有效检测各种对抗攻击。

Jul, 2020

本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

Sep, 2016

本文提出了一种新的时间序列表示学习方法，通过自监督任务的上下文、时间和转换一致性，结合不确定性加权方法，实现了多任务学习和跨领域传递学习，进而在时间序列分类、预测和异常检测等下游任务中取得了更好表现。

Mar, 2023

本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

Feb, 2021