使用 AD-NEv++ 方法，通过优化神经进化过程中的突变算子，并支持广泛的神经层面，包括关注、稠密和图卷积层，我们在广泛采用的多变量异常检测基准数据集上进行了大规模实验评估，结果表明 AD-NEv++ 模型在异常检测中胜过知名的深度学习架构和基于神经进化的方法，并且在所有异常检测基准测试中，AD-NEv++ 可以改进并胜过最先进的图神经网络模型架构。

Mar, 2024

使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

Oct, 2023

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

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

本文提出了一个统一的端到端方法，通过结合 Adversarial Autoencoder 和 Recurrent Neural Network 的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方法优于现有技术。

Jul, 2019

本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。

Jan, 2022

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

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

利用安全水处理工业控制系统测试数据集继续发展基于神经网络的异常检测方法，并提出应用遗传算法来寻找最佳神经网络结构，使用 NAB 值评估不同结构的质量，以及引入了多种技术来改进 AD 的质量，包括指数加权平滑、均值 p - 次方误差度量、每个变量的单独误差权重和不相交预测窗口。

Jul, 2018

该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

Nov, 2018