多变量时间序列异常检测与污染数据：应用于生理信号

Aug, 2023

多变量时间序列异常检测与污染数据：应用于生理信号

Multivariate Time-Series Anomaly Detection with Contaminated Data: Application to Physiological Signals

Thi Kieu Khanh Ho, Narges Armanfard

TL;DR本研究介绍了一种无监督式的感知时间序列异常检测方法（TSAD-C），通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤，成功在三个广泛使用的生理数据集上超越现有方法，达到了领域中的最新技术水平。

Abstract

Mainstream unsupervised anomaly detection algorithms often excel in academic datasets, yet their real-world performance is restricted due to the controlled experimental conditions involving clean training data. Addressing the challenge of training with noise, a prevalent issue in pract

unsupervised anomaly detection label-level noise sensory time-series anomaly detection tsad-c physiological datasets

发现论文，激发创造

开放式多变量时间序列异常检测

本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

Oct, 2023

端到端自调整自监督时间序列异常检测

通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。

Apr, 2024

一种用于含有异常数据的完全无监督异常检测的通用机器学习框架

使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

Aug, 2023

利用异构时间序列数据的两阶段深度异常检测

介绍了基于制造数据集的异常检测框架，该框架利用异质时间序列数据，提出了一个两阶段的深度异常检测 (TDAD) 框架，该框架在操作周期信号和传感器信号类型上采用了两种不同的无监督学习模型，并结合了其它特征，通过实验综合展示了其对于单级对照方法的优越性、模型无关性和鲁棒性。

Feb, 2022

时间序列异常检测中的 ' 异常 ' 揭秘：一种自监督的三域解决方案

利用三领域异常检测 (TriAD) 的自主学习方法，本文通过对 UCR 数据集的实验结果，相比于最先进的深度学习模型，实现了基于 PA% K F1 分数的三倍提升，并相比于最先进的不和谐发现算法，实现了 50% 准确率的提升。

Nov, 2023

自监督的时空正常性学习用于时间序列异常检测

通过序列顺序预测的时间正常性学习（OTN）模块和基于距离预测的空间正常性学习（DSN）模块的综合，STEN 学习了隐藏在时间序列数据中的规律性的表达式空间 - 时间表示，相比其他方法在广泛的时间序列异常检测基准测试中取得了显著的性能优势。

Jun, 2024

联合选择状态空间模型和去趋势处理的鲁棒时间序列异常检测

通过利用选择性状态空间模型和多阶段去趋势机制，该论文提出了一种用于时间序列异常检测的深度学习模型，能够有效地建模长程依赖关系并解决非平稳数据的泛化问题，实证实验表明该方法优于其他 12 个对比基准方法。

May, 2024

TimeSeriesBench：时间序列异常检测模型的工业级基准

TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

Feb, 2024

可学习数据增强的自监督时间序列异常检测

我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供了一种基于梯度的诊断技术来帮助确定根本原因。

Jun, 2024

SoftPatch：无监督的带噪数据异常检测

本文首次考虑图像感应异常检测中的标签级噪声问题，提出了一种基于记忆的无监督异常检测方法 SoftPatch，该方法能够有效地去噪，并在补丁级别上生成异常分数以软化异常检测边界，在各种噪声场景下，SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法，在无噪声设置下与其他方法效果相当。

Mar, 2024