本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

Mar, 2023

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

本文提出了一种细粒度的自适应异常诊断方法（即 MAD-Transformer）来识别和诊断多元时间序列中的异常行为，并通过比较残差矩阵与原始矩阵来确定和诊断异常，实验证明 MAD-Transformer 可以适应性地检测短时异常，并在噪声鲁棒性和本地化性能方面优于现有的基线模型。

Mar, 2024

本文提出了一种名为贝叶斯状态空间异常检测（BSSAD）的新颖方法，该方法结合了贝叶斯状态空间和递归神经网络及自编码器的优势。通过粒子滤波器和集合卡尔曼滤波器等贝叶斯状态空间模型，在进行大量实验后，该方法在五个不同数据集上的表现均优于基线超过 0.95 的 F1 得分，并且提出了 Matthew Correlation Coefficient（MCC）作为更综合的准确性度量。

Jan, 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

通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。

Apr, 2024

TADNet 是一种端到端的传统时间序列异常检测模型，利用季节 - 趋势分解将各种类型的异常链接到特定的分解组件，从而简化复杂时间序列的分析，并提高检测性能。

Sep, 2023

通过序列顺序预测的时间正常性学习（OTN）模块和基于距离预测的空间正常性学习（DSN）模块的综合，STEN 学习了隐藏在时间序列数据中的规律性的表达式空间 - 时间表示，相比其他方法在广泛的时间序列异常检测基准测试中取得了显著的性能优势。

Jun, 2024

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

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