本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

Sep, 2021

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

本文介绍了两种方法来解决实际应用中时间序列异常检测的需要，并结合自回归(AR)模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量，将所提出的方法应用于两个工业异常检测数据集，并与文献中的方法进行了比较。此外，本研究还指出了采用此类方法在实际应用中所面临的其他挑战。

Jul, 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

该研究论文提出了一个全面的自动参数优化框架，用于时间序列异常检测模型，通过预测分数、形状分数和灵敏度分数三个优化目标，可以适应不同的模型，简化用户的操作，并取得了良好的检测结果。

Jul, 2023

多元时间序列异常检测的关键词为多元时间序列异常检测、协议、基准数据集、主成分分析和深度学习。本文总结了最近算法评估中存在的问题，并提出了一种基于主成分分析的基准算法，在一些常见的基准数据集上超越了许多基于深度学习的方法，以此促进更多关于数据、实验设计、评估方法和结果可解释性等重要方面的研究努力。

Aug, 2023

通过提出一种名为GST-Pro的新框架，结合了图形时空过程和异常得分机制来检测多变量时间序列中的异常，即使数据中存在缺失值，该方法也能有效检测并优于现有方法。

Jan, 2024

TimeSeriesBench是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计168个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

Feb, 2024

快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

May, 2024

本文针对时间序列异常检测中的研究空白，提出了一种新的分类法，区分在线与离线、训练与推断。通过对现有的模型基础在线半监督和无监督异常检测方法的全面概述，指出了在基准测试中存在的挑战，并强调了解决评估指标及数据集缺陷的重要性，以推动该领域的实际应用。

Aug, 2024