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

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

通过使用半监督机器学习的实时自编码器异常检测系统，可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题，同时利用时间依赖性演化和探测器响应的空间变化，最大程度提高异常检测性能，该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证，并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。

Sep, 2023

提出了基于标签辅助的自动编码器模型用于发现发电厂燃料消耗的异常，检测准确率为 97.20％，可以根据程度对异常进行分类，相较于已有模型较优。

Feb, 2023

本研究通过将阈值问题建模为马尔可夫决策过程，并基于深度 Q 网络提出了一种基于代理的动态阈值 (ADT) 框架，该框架可以用于需要动态阈值的多个系统。通过利用自编码器从复杂输入数据中获取特征表示并生成异常得分，ADT 可以自适应地调整阈值，并显著改善异常检测性能。通过在三个真实数据集上进行实验证明了 ADT 的阈值能力、数据高效学习、稳定性和鲁棒性，并验证了强化学习在异常检测中的最优阈值控制的有效性。

Dec, 2023

我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

Nov, 2023

该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。

May, 2024

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

本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。

Oct, 2022

本研究提出使用编码器 - 解码器深度学习模型，结合实时质量传输观测信息进行软故障演化模拟，用于网络攻击等异常检测。该模型在无需标记异常情况和分析整个数据集缺陷的前提下，实时有效地检测网络异常波动。

Jun, 2023