本文介绍了一种基于深度神经网络的鲁棒自编码器模型，该模型可以对数据进行异常检测，并能够学习捕获大多数数据点的非线性子空间。

Apr, 2017

使用网络数据包捕获数据和鲁棒主成分分析的方法，可以检测网络异常和入侵攻击，能够在 DARPA 入侵检测数据集中实现低误报率和合理真阳性率，即使没有先前训练的数据也能准确检测出网络攻击。

Jan, 2018

本文提出了一种新的基于残差方差的概率主成分分析 (PPCA) 模型 —— 残差成分分析 (RCA)，并探讨了由此框架产生的新算法，其中包括将高斯密度的协方差分解为低秩与稀疏逆两个部分的算法。作者在蛋白质信号网络恢复，基因表达时间序列数据集分析以及基于三维点云数据恢复人类骨架方面阐述了该模型的应用。

Jun, 2012

通过利用随机性设计了新的可伸缩非线性 PCA 和 CCA 变体，并扩展到关键的多元分析工具，例如谱聚类或 LDA，并在真实世界的数据上进行了实验，与最先进的方法进行了比较。

Feb, 2014

通过对传统技术进行优化，我们实现了无监督主成分分析（PCA）技术的优化，通过轻量级的基于语义的日志表示解决了训练数据中未知日志事件的问题，提高了日志表示的效果，我们的研究比较了公共和工业数据集上的七种基于日志的异常检测方法，包括四种 DL-based 方法、两种传统方法和优化的 PCA 技术，结果表明，优化的无监督 PCA 技术在有限的训练数据和资源效率方面达到了与先进的监督 / 半监督 DL 方法相似的效果，从而证明了传统技术通过小而重要的改进具有的适应性和优势。

Aug, 2023

本文研究了随机投影在主成分分析及子空间检测方法中的应用，结果表明，当数据具有良好压缩的协方差时，随机投影数据的异常检测算法的表现与原始数据的异常检测算法的表现相当。

Sep, 2011

介绍了一种基于 Dynamical Components Analysis（DCA）的线性降维方法，可以在高维的时间序列数据中提取出最大预测信息的子空间，能有效地提取出动态结构，保留了线性降维方法的计算效率和几何可解释性。

May, 2019

通过使用结构因果模型中的因果反事实的定量贡献分析，最近的工作对异常情况的根本原因分析进行了概念化。本文提出了简化、高效的根本原因分析方法，用于识别唯一的根本原因而非定量贡献分析的任务。对于未知因果有向无环图的应用场景，我们将异常得分最高的变量作为根本原因进行启发式验证。

Jun, 2024

本文介绍了一个名为 RCA 的模型框架，它可以用于分析多个数据集中的不同潜在组件，通过累积量提取算法，该模型可以明确地学习每个组件而无需构建其他组件，进而与随机梯度下降方法组合实现通用模型的无监督学习，从而在多个真实数据集上证明了其准确性的优势。

Jul, 2015

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