本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

Sep, 2020

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

本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD，通过利用图的演化特性辅助图和时间序列预测任务，从而根据跨序列关系和时间模式的偏离来检测异常状态，并在实际数据集上验证了其胜过基线异常检测方法的性能。

Feb, 2023

在动态图上进行异常检测的研究主要关注于检测行为明显偏离图和时间信息内观察到的规范的实体，已吸引了金融、网络安全、社交网络等领域的极大关注。然而，现有的方法面临两个挑战：动态结构构建挑战 - 难以捕捉带有复杂时间信息的图结构，负采样挑战 - 无法构建优秀的负样本用于无监督学习。为了应对这些挑战，我们提出了基于动态图的无监督生成式异常检测 (GADY)。针对第一个挑战，我们提出了一个连续动态图模型来捕捉精细的信息，打破了现有离散方法的限制。具体而言，我们采用消息传递框架结合位置特征来获得边缘嵌入，通过解码来识别异常。为了解决第二个挑战，我们首次使用生成对抗网络生成负交互。此外，我们设计了一个损失函数来改变生成器的训练目标，同时确保生成样本的多样性和质量。大量实验证明了我们提出的 GADY 在三个现实世界数据集上明显优于先前的最先进方法。补充实验证实了我们模型设计的有效性以及每个模块的必要性。

Oct, 2023

该综述报告全面而概念性地介绍了使用动态图进行异常检测的方法，重点关注基于图的异常检测技术及其在动态网络中的应用，总结了现有研究的优势、限制和未来挑战，以指导未来的研究工作和推动动态图中的异常检测技术进展。

May, 2024

本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

Apr, 2022

研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

Nov, 2022

提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 2021

本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD，通过关注多模态学习，无缝地集成所有可用的数据模态，以实现对微服务系统中的异常进行实时自动准确检测。

Oct, 2023

本文提出了一种用于动态图的基于 Transformer 的异常检测框架 (TADDY)，通过建立全面、信息丰富的节点编码策略和捕捉动态图的时空耦合模式进行节点的异常检测，该方法在六个真实世界数据集上表现优于现有的最先进方法。

Jun, 2021