本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。

Oct, 2022

本研究提出了一种基于变分自编码器的神经概率模型，可以在任意观测特征子集的条件下生成其余特征的 “一次性” 样本，并通过随机变分贝叶斯进行训练。实验结果表明该方法在合成数据、特征填补和图像修复问题上非常有效且生成样本多样。

Jun, 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

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018

无监督的健康状况监测在复杂工业系统的故障检测中起着重要作用。本研究通过对自编码器和输入 - 输出模型进行综合比较，探索了这两种基于残差的方法在健康指标构建、故障检测和健康指标解释方面的性能。结果显示，输入 - 输出模型在潜在故障类型和可能故障部件的解释方面具有更好的可解释性。

Sep, 2023

基于数据驱动的框架，结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN)，用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究，我们评估了该方法的性能，并与传统基于模型的方法进行比较，以展示其适用性和效力。

Oct, 2023

为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

Dec, 2019

提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

Jul, 2019

使用全自动化的机械类自动编码器实现结构损伤的自动检测和定位，该方法结合了可扩展、廉价、无需人工干预、针对每个机械结构定制化的全被动测量技术，具有较标准自动编码器 35% 提前检测和定位损伤的能力，有望显著降低人工干预和检测成本，延长土木基础设施的寿命、可靠性和可持续性。

Feb, 2024