TimeSeriesBench：时间序列异常检测模型的工业级基准
当前时间序列异常检测（TAD）研究中存在评估指标缺陷、不一致的基准测试实践以及对新颖深度学习模型设计选择的缺乏合理的论证。本文对 TAD 中的现状进行了批判性分析，揭示了当前研究的误导轨迹，并突出了存在问题的方法及评估实践。我们的观点主张从仅追求模型设计的新颖性转向改进基准测试实践、构建非平凡数据集，并重新强调研究模型架构在特定任务中的实用性。我们的发现表明需要严格的评估协议、创建简单的基线，并揭示现有最先进的深度异常检测模型实际上只是学习线性映射。这些发现表明需要更多探索和开发简单且可解释的 TAD 方法。遗憾的是，现有最先进的深度学习模型的复杂性增加带来的改进很少。我们提供对该领域前进的见解和建议。
May, 2024
本文在分析基准数据集时发现部分数据困扰检测算法流程，进而提出了 UCR Time Series Anomaly Archive 资源库，以期为学术界提供合适的评测标准并提升异常数据检测的研究进展。
Sep, 2020
本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。
Oct, 2023
时间序列异常检测是许多应用领域中一个普遍存在的问题，最近增加了基于深度学习的方法，而我们提出了 OrionBench 这一用户中心持续维护的基准测试框架用于无监督时间序列异常检测。
Oct, 2023
本研究介绍了一种无监督式的感知时间序列异常检测方法（TSAD-C），通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤，成功在三个广泛使用的生理数据集上超越现有方法，达到了领域中的最新技术水平。
Aug, 2023
介绍了基于制造数据集的异常检测框架，该框架利用异质时间序列数据，提出了一个两阶段的深度异常检测 (TDAD) 框架，该框架在操作周期信号和传感器信号类型上采用了两种不同的无监督学习模型，并结合了其它特征，通过实验综合展示了其对于单级对照方法的优越性、模型无关性和鲁棒性。
Feb, 2022
本篇论文介绍了针对时间序列数据异常检测的分类方法，并对传统和深度学习技术进行了评估和比较，为选择最适合特定应用设置的方法提供了指导，并提出了研究方向。
Sep, 2022
LLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT）方法模仿专家逻辑进行决策过程，为用户决策提供解释。
May, 2024