使用随机循环网络（STORN）学习机器人时间序列数据中的概率模型，并展示了在线下和在线上都能够较为稳健地检测异常的结果。

Feb, 2016

本文提出了一种基于VAE的无监督异常检测算法Donut，它能够有效地检测季节性的KPI，并在理论上得到了可靠的解释。通过应用于一家全球互联网公司的数据，Donut表现出比监督学习和基线VAE更好的性能，其最佳F1得分在0.75到0.9之间。

Feb, 2018

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测CERN大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

提出了一种序列变分自动编码器模型（SISVAE），其基于VAE模型，以及采用平滑性先验，用于多维时间序列的稳健估计和异常检测，这种模型采用灵活的神经网络来参数化每个时间戳的均值和方差。

Feb, 2021

本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。

Aug, 2021

工业机器人中的异常检测及其在机器人应用中的数据集和基准方法介绍和评估。

Nov, 2023

结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

Jan, 2024

在汽车测试领域，自动在线异常检测越来越受关注，通过对未标记数据进行训练的时序变分自动编码器（TeVAE）可以在最小化误报的情况下检测异常，并引入了一种将窗口映射到连续时间序列的新方法。该方法还提出了评估检测延迟和根本原因能力的度量指标，并在实际工业数据集上进行了实验验证。当正确配置时，TeVAE的错误警报率仅为6％，并且可以检测到65％的异常情况，它还具有在更小的训练和验证子集上表现良好的潜力，但需要更复杂的阈值估计方法。

Jul, 2024

本文针对变分自编码器（VAE）在异常检测中的应用进行了比较分析，尤其关注不同VAE架构的性能表现和特征。研究发现，ViT-VAE在多种场景中表现出色，而VAE-GRF需要更复杂的超参数调整才能达到最佳性能。该研究通过使用MiAD数据集进行基准测试，有效提高了结果的竞争性，增强了评估框架的稳健性。

Aug, 2024

本研究解决了在工业4.0中，复杂异常检测面临的计算资源需求和网络延迟的问题。提出的VARADE模型采用轻量级自回归框架，基于变分推理，适合边缘设备的实时执行。实验结果显示，该方法在不同边缘平台上与多种先进算法比较，达到最佳的异常检测准确率、电力消耗和推理频率的平衡。

Sep, 2024