通过使用半监督机器学习的实时自编码器异常检测系统，可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题，同时利用时间依赖性演化和探测器响应的空间变化，最大程度提高异常检测性能，该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证，并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。

Sep, 2023

本研究提出了一种基于图神经网络的在线数据质量监测系统，用于监测大型强子对撞机在 CMS 的强子量测通道中出现的异常情况，并通过验证实验表明该系统在捕捉不同类型的通道故障方面具有高准确性。

Nov, 2023

使用基于深度卷积神经网络的异常检测技术，可以在大型强子对撞机的高能触发系统中实时拒绝 QCD 喷注并识别任何异常标记，包括软无聚类能量模式，使用非标准损失函数训练的自动编码器可检测 40％的 SUEP 事件，QCD 事件误标记率低至 2％。

Jun, 2023

本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。

Oct, 2022

创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

Apr, 2024

我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有 12,000 个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数据，我们希望鼓励机器学习应用专家开发出高效准确的电子能量重建和图像重建方法。

Sep, 2023

本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。

Nov, 2022

这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

Nov, 2018

本研究提出使用吸收材料记录辐射电磁场并通过条件编码器 - 解码器 AI 评估生成热图像序列的新方法，进行天线阵列的故障检测。研究表明，在低级图案下，基于轮廓的异常检测可以将重构误差矩阵映射到异常评分，以提高分类 F-M 度量达 46％。

Nov, 2021

通过利用边缘计算方法，使用自主算法来优化存储具有更大预测误差的训练样本，解决电力电子变换器可靠性的问题，并在自动感知条件监测系统中进行了实证研究，结果显示与在线训练等等效模型相比，预测准确性和训练速度都有显著改善。

Dec, 2023