通过监测物理系统的仿真数据，我们使用监督机器学习分类算法对时间序列进行分类，并讨论了时间序列数据预处理、统计分散度和降维技术。我们提出了一种直观的基准方法，并讨论了其效率，并通过不同性能指标的比较，展示了使用机器学习技术在决策中的优势。

Mar, 2024

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

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

利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。

Apr, 2024

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

孤立基于方法的异常检测方法是一种新颖且有效的方法，可以通过随机分割轻松地隔离出数据中的异常值。这项综述调查了最先进的孤立基于异常检测方法，包括它们的数据分割策略、异常得分函数和算法细节。还介绍了孤立基于方法在不同场景下的一些扩展和应用，例如在流数据、时间序列、轨迹和图像数据集中检测异常。最后，我们指出了一些孤立基于异常检测研究的开放挑战和未来方向。

Mar, 2024

我们提出了一种基于自编码器驱动的无监督学习方法，从无标签的工作流数据中学习摘要统计，并估计计算工作流的正常行为。通过估计潜在空间中正常行为的分布，我们证明了我们可以在基准数据集上胜过最先进的异常检测方法。

Oct, 2023

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

通过 RNN-based 变分自编码器和孤立森林算法，本研究提出了第一个用于超新星的异常检测管道，可以在在线数据流中快速检测到突发的，多变的和非周期性的异常事件。

Oct, 2020

机器学习在卫星遥测的异常检测方面具有巨大潜力，欧洲航天局异常检测基准 (ESA-ADB) 旨在解决多变量时间序列异常检测的挑战，并在这一领域树立新的标准。

Jun, 2024