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

使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常，并在 KDD Cup 99 数据集上实施了一个模型，实验结果展示了异常检测模型的出色性能，达到了超过 98% 的准确率。

Feb, 2024

本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析，提供关于流行的深度学习技术的全面的系统性回顾，比较和对比它们的架构差异和训练算法，并提供了用于解释模型决策的深度模型解释策略的综合概述。此外，指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。

Dec, 2020

医院能耗预测的机器学习和人工智能技术涉及多种数据输入，如入住情况和气象数据，部分研究对数据选择不够深入，时间动态、操作状态和预处理方法等方面仍有待研究，深度学习模型如人工神经网络显示出潜力但也带来了可解释性和计算需求方面的挑战，结果凸显了人工智能在优化医院能耗方面的巨大潜力，同时也强调了需要更全面细致的研究。未来研究的关键领域包括优化人工神经网络方法、新的优化和数据整合技术、将实时数据纳入智能能源管理系统以及增加对长期能源预测的关注。

Nov, 2023

介绍了一种基于深度学习的主动学习方法，可以有效地从正常数据中分离离群值，并讨论了它们在发现聚类和低密度异常方面的性能

May, 2018

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

本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。

Nov, 2019

本文综述了现代深度学习技术在图异常检测中的应用，编译了开放资源的实现、公共数据集和常用评估方法，重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。

Jun, 2021

深度学习在运动表现中具有革命性的潜力，本文对深度学习在运动表现方面进行了全面的调查，重点关注算法、数据集和虚拟环境以及挑战。我们首先讨论了深度学习算法在运动表现中的层次结构，其中包括感知、理解和决策，并比较了它们的优势和不足。其次，我们列举了广泛使用的现有运动数据集，并强调了它们的特点和局限性。最后，我们总结了当前的挑战，并指出深度学习在运动领域的未来趋势。我们的调查为对深度学习在运动应用感兴趣的研究人员提供了有价值的参考资料。

Jul, 2023

通过比较各种深度学习架构在宇宙飞船数据中检测异常的有效性，结果显示卷积神经网络（CNNs）在识别空间模式方面表现出色，长短时记忆网络（LSTM）和递归神经网络（RNNs）则在捕捉时间序列航天遥测中的时序异常方面表现出较高的功效。 Transformer 架构在以局部和全局上下文为重点的情况下显示出有前途的结果，特别是在异常更加微妙且持续时间较长的情况下。

Mar, 2024