基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

通过使用物联网传感器网络和先进的机器学习技术，结合精确及时的超本地天气预测和异常检测，我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据，创建能够预测短期、局部天气条件（如温度、压力和湿度）的高分辨率天气模型。通过监测这些位置之间的天气参数的变化，我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外，我们的系统采用无监督学习算法来识别异常的天气模式，并提供及时的警报。我们的研究结果表明，该系统有可能增强决策能力。

Oct, 2023

本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

Mar, 2021

本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

Jan, 2021

本文探讨了检测异常的各种机制，介绍了建立机器学习模型时需要考虑的关键因素，并探讨了使用多个自建物联网设备收集数据时如何有效地发现点、上下文和组合异常。此外，还讨论了处理数据采样率不同的传感器设备的挑战和潜在解决方案，以及基于环境条件提取子数据集的优缺点。

Oct, 2022

本文提出了一种名为 SensorSCAN 的新型无监督故障检测和诊断方法，主要应用于化学传感器数据的处理，实验结果表明，该方法在公开数据集上的表现优于现有算法，能够有效检测出工业生产中的故障。

Aug, 2022

本文提出了一种新的基于机器学习的方法，通过利用无线电测量特征来识别移动网络中的流氓无人机，取得了高的检测率，但在低空中检测精度会下降。

May, 2018

该研究论文介绍了一个新颖的入侵检测方法，结合自监督学习、少样本学习和随机森林，通过从有限和不平衡的数据中学习并增强检测能力，优于现有方法，在物联网网络中检测和分类潜在的恶意软件和各种攻击，如 MaleVis 和 WSN-DS 数据集的准确率达到 98.60% 和 99.56%。

Jun, 2024

减小理论假设与实际训练数据之间的差距，并提出一个学习框架来改进正常性表示，通过识别样本的正常性，并在训练过程中迭代更新样本的重要性权重。还提出了终止条件，受到异常检测目标的启发。通过在多个受污染数据集上进行实验证明，该框架提高了三种典型异常检测方法的鲁棒性。

Sep, 2023

通过引入 Bayesian 深度学习的高斯 - 均匀混合密度网络，实现对环境变量在时空域上的建模和异常值检测，为处理来自 ' 物联网 ' 观测点数据的环境建模提供了途径。

Jan, 2022