利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

Sep, 2023

结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

Jan, 2024

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

Jun, 2020

我们引入了一种自监督对比表示学习方法（CARLA）用于时间序列异常检测，这是一种创新的端到端自监督框架，精心开发，用于识别单变量和多变量时间序列数据中的异常模式。通过利用对比表示学习，CARLA 能够为时间序列窗口生成稳健的表示。它通过 1）学习时间上接近的窗口的相似表示和窗口及其等效异常窗口的不相似表示，以及 2）使用自监督方法根据表示空间中的最近 / 最远邻居对窗口的正常 / 异常表示进行分类，有效地解决了时间序列数据中异常检测的固有挑战。通过在 7 个标准实际时间序列异常检测基准数据集上进行广泛实验，CARLA 表现出比现有最先进结果更好的 F1 和 AU-PR。我们的研究突显了对比表示学习在推动时间序列异常检测领域的巨大潜力，为该领域的新型应用和深入探索铺平了道路。

Aug, 2023

我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

Feb, 2024

我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

Nov, 2023

本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。

Aug, 2021

提出了一种使用变分自编码器和多头注意力机制进行自动异常检测的方法，可以有效地识别和检测出大部分异常情况，同时还解决了绕过现象并引入了一种新的窗口重映射方法。

Sep, 2023

本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。

Oct, 2019