使用无监督深度学习开发了一个实时自编码器异常检测系统，能够检测先前数据中未见的 ECAL 异常，通过考虑 ECAL 响应的空间变化和异常的时间演变，该系统能够高效地检测异常，估计的错误发现率在 $10^{-2}$ 到 $10^{-4}$ 之间，比现有基准提高了两个数量级。在 2018 年和 2022 年的 LHC 碰撞数据中验证了系统的真实性能，并首次在 LHC Run 3 期间在 ECAL 桶部署了基于自编码器的系统，展示其在检测现有 DQM 系统可能忽视的隐晦问题中表现出的良好性能。

Aug, 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

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

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

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

研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。

Mar, 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

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

该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

May, 2024