MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体的共同性进行聚类策略，实现更精确和详细的密度估计。

Dec, 2023

现代软件系统在复杂性和数量方面不断增长，对多变量监测指标进行异常检测变得越来越关键和具有挑战性。本文提出了一种基于协作机制的多变量监测指标上的异常检测框架 CMAnomaly，该框架能捕捉到不同指标之间以及它们的历史模式之间的依赖关系，通过代价有效的模型实现了准确的异常检测。通过实验结果表明，CMAnomaly 相对于现有基准模型在 F1 得分和运行速度上取得了显著的改进。此外，我们还分享了在华为云中部署 CMAnomaly 的经验。

Aug, 2023

本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

Sep, 2021

本研究提出了 MTGFlow，这是一种基于无监督学习的多元时间序列异常检测方法，通过动态图和实体感知归一化流实现。通过学习实体之间的互动关系以及实体本身的特征，MTGFlow 在超过七个基线模型的五个公共数据集上取得了 5.0 AUROC\% 的性能提升。

Aug, 2022

多元时间序列异常检测研究中，我们提出了一种自我监督的分层对比一致性学习方法（HCL-MTSAD），通过在工业 MTS 中利用多个潜在层级的数据一致性，系统地捕捉相关的关联，进而提高异常检测的能力。

Apr, 2024

通过使用五个异构独立模型与双集成融合投票技术，该工作提出了一种新颖而强大的方法来进行异常检测，以提高工业冷却系统数据的可靠性和性能，实验结果表明该方法具有很高的准确性和可靠性。

Apr, 2024

多元时间序列异常检测的关键词为多元时间序列异常检测、协议、基准数据集、主成分分析和深度学习。本文总结了最近算法评估中存在的问题，并提出了一种基于主成分分析的基准算法，在一些常见的基准数据集上超越了许多基于深度学习的方法，以此促进更多关于数据、实验设计、评估方法和结果可解释性等重要方面的研究努力。

Aug, 2023

论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

Jul, 2020

提出一种可扩展的方法来检测异类行为，包括从关系网络中恢复实体间的关系，基于顺序模式挖掘的异常报告，并扩展顺序模式挖掘以过滤顺序模式。该方法在 9 个基准数据集上表现出显著优势，同时还比最先进的异常检测方法快一个数量级。

May, 2023

通过模仿多门专家混合（MMoE）的设计，我们引入了 CAD，一种冲突感知的多变量关键绩效指标异常检测算法，通过为每个指标提供独特的结构来缓解潜在冲突，同时促进指标之间的相互促进，并且通过简单而有效的任务导向的度量选择和个性化与共享的门控机制来建立 CAD 作为第一个实用的基于多任务学习的多变量时间序列异常检测模型，对多个公共数据集的评估表明，CAD 在三个公共数据集上获得了平均 F1 分数 0.943，显著优于现有的方法。

Aug, 2023