提出了一种多模态空时图注意力网络 (MST-GAT) 用于多模态时间序列 (MTS) 异常检测，通过模型内 - 模型间关注机制、时空卷积等技术来捕捉时间序列之间的空时关系，实验结果显示 MST-GAT 在四个多模态基准上超过了现有方法，进一步分析表明 MST-GAT 通过定位最异常的单变量时间序列增强了异常检测的解释性。

Oct, 2023

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

本文提出了一种基于图的异常检测框架 DyGATAD，利用注意机制构建多变量时间序列的连续图表示，并推断时间序列之间的动态边。DyGATAD 结合了基于操作条件感知的重构和基于拓扑的异常评分，从而增强了对关系变化的检测能力，在传感器网络中展示了卓越的集体异常检测性能，尤其在最小严重度故障的早期检测方面表现出特殊优势。

Jul, 2023

本文提出了一种多视图融合方法用于图形异常检测，该方法结合了视角级融合和特征级融合以更好地利用不同视角的信息。在多个数据集上进行的实验表明，该方法在异常检测性能和泛化能力方面优于其他现有算法。

Dec, 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

本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

Jan, 2019

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

介绍了一种基于元路径的半监督学习方法的新颖方法，通过在编码器和解码器中利用 GCN 层来高效传播异常和正常节点之间的上下文信息，从而克服了先前方法的局限性，并通过在七个真实网络上进行的一系列实验，证明了该方法相对于最先进技术的优越性。这项研究的有希望的结果为未来的研究铺平了道路，重点是优化和分析元路径模式，进一步提高属性网络上的异常检测的有效性。

Aug, 2023

提出了一种名为 MST-DVGAN 的新型无监督双变分生成对抗模型，用于对多变量时间序列数据进行 CPS 安全的异常检测，可以提高模型的鉴别能力并生成多样的样本，实验证明该模型比现有方法更稳定且性能一致提升。

Nov, 2023

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