RESTAD：基于重构和相似性的时间序列异常检测的 Transformer
提出一种效率高且可扩展的时间序列异常检测框架 --RobustTAD，该框架通过整合强韧的季节 - 趋势分解和卷积神经网络来处理复杂的时间序列模式，以捕获多尺度信息，并使用数据增强方法来处理标注数据不足的问题。该框架在阿里巴巴集团的不同业务场景中广泛应用并表现显著优异。
Feb, 2020
计算机视觉中，使用深度学习方法中仍存在的问题是异常检测无法被实时发现，并且在进行异常标注的时候，需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题，通过训练一个滑动型视觉变压器来提高准确性，使得半监督学习成为可能，并且进一步通过引入新的数据增强方法来降低标注成本，经过实验证明，该方法表现优于当前最先进的方法。
Jun, 2023
本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。
Jan, 2022
TransNAS-TSAD 是一种新颖的框架，通过将 Transformer 架构与神经架构搜索（NAS）相结合，并通过 NSGA-II 算法优化，有效处理了单变量和多变量时间序列数据的复杂性，在各种数据场景中超过传统的异常检测模型，提供了一个高效的解决方案，并提出了 EACS（效率 - 准确性 - 复杂性得分）作为模型性能评估的新指标。
Nov, 2023
该研究提出了一种基于图像修复的异常检测方法，在多个基准数据集上显著优于现有方法，特别是在 ImageNet 上，Top-performing 基线的 AUROC 提高了 10.1%。
Nov, 2019
本文提出了一种基于时间序列的无监督异常检测方法，使用数据增强来实现具有鲁棒性的表示学习，并应用于最先进的异常检测技术中，实现在时间序列中检测点异常和序列异常，并与现有方法进行了对比，得到了良好的性能和计算效率。
Jun, 2019
时间序列异常检测仍然具有挑战性，现有方法在处理时间窗口、正常模式表示和评估指标上存在问题。本文提出了一种名为 SimAD 的基于差异性的时间序列异常检测方法，通过先进的特征提取器、EmbedPatch 编码器和 ContrastFusion 模块来增强异常检测的鲁棒性，并提出了两个新的评估指标：UAff 和 NAff。在七个不同的时间序列数据集上的实验结果表明，SimAD 相对于最先进的方法性能更好，F1 提升了 19.85%、Aff-F1 提升了 4.44%、NAff-F1 提升了 77.79%，AUC 提升了 9.69%。
May, 2024
提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。
May, 2023
基于时间序列数据的异常检测是识别故障、故障、威胁和异常值的关键，该研究提出了 Distribution-Augmented Contrastive Reconstruction (DACR) 以改进深度学习技术在复杂和高度动态的实际场景中的应用，实验证明 DACR 在各种异常检测方案中达到了最新的最佳状态。
Jan, 2024