提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 2021

近年来，在时间序列异常检测方面取得了显著进展，然而，在检测到异常后，我们能够解释它吗？本文介绍了一种领域无关的反事实解释技术，用于产生时间序列异常的直观且可行动的可视化和基于文本的解释。

Jan, 2024

利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

Sep, 2018

在基于深度学习的异常检测的基础上，提出了一种用于一体化诊断的方法，通过生成输入数据来解决在网络物理系统研究中的异常检测和诊断问题。针对模拟和真实的网络物理系统数据集进行评估，结果表明该模型相对于其他最新技术模型表现出较强的性能。

Nov, 2023

本文提出了一种新的基于数据驱动的系统范围异常检测框架，其基于符号动力学的概念构建了一种时空特征提取方案，用于发现和表示 CPS 子系统之间因果相互作用，结果表明，该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。

Dec, 2015

本篇研究提出了一种基于深度图流支持向量数据描述的方法，针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰，采用变分图自编码器模型并建立加权属性图以及超球面，其在各项实验中表现优异，将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。

Feb, 2023

本文从因果关系的角度出发，将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例，并提出了一种基于因果关系的框架来检测异常和根本原因。

Jun, 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

提出了一种基于时间序列波动模式分析的方法，以定位分布式软件系统中异常的根本原因，并在 Zillows 的点击流数据上进行了验证。

Jan, 2020

本文提出一种使用神经系统识别 (NSI) 和贝叶斯滤波 (BF) 的时间序列异常检测方法，该方法可比已有方法在错误检测上具有更好的性能。

Jun, 2021