- KDD自监督的时空正常性学习用于时间序列异常检测
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。
- KDDPeFAD：一种参数效率高的时序异常检测联邦框架
利用参数高效联合异常检测（PeFAD）框架，通过利用预训练语言模型（PLM）作为客户端本地模型的主体，减少通信开销和本地模型适应成本，同时采用一种新颖的异常驱动蒙版选择策略以缓解训练过程中忽略异常值的影响。在共享的隐私保护数据集上还提出了知 - 联合选择状态空间模型和去趋势处理的鲁棒时间序列异常检测
通过利用选择性状态空间模型和多阶段去趋势机制，该论文提出了一种用于时间序列异常检测的深度学习模型，能够有效地建模长程依赖关系并解决非平稳数据的泛化问题，实证实验表明该方法优于其他 12 个对比基准方法。
- 基于自适应瓶颈和双对抗解码器的通用时间序列异常检测器
提出了一种基于多领域数据预训练的时间序列异常检测通用模型 DADA，通过灵活选择信息瓶颈和明确区分正常与异常序列，在多个目标数据集上取得了竞争性甚至优秀的结果。
- 大型语言模型可提供准确且可解释的时间序列异常检测
LLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT - 大型语言模型可以用作时间序列的零样本异常检测器吗？
本研究通过 sigllm 框架探索了大型语言模型在时间序列异常检测方面的应用，包括时间序列转文本处理模块和基于预测的探测方法，并在 11 个数据集上进行了评估，结果显示预测方法在 F1 分数上明显优于提示方法，但与最先进的深度学习模型相比， - SimAD: 一种基于简单不相似性的时间序列异常检测方法
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 - 时间序列中人机协同异常检测的可靠框架
我们介绍了 HILAD，这是一个旨在提升时间序列异常检测模型的人工智能与人类之间动态双向协作的新框架，通过我们的可视化界面，HILAD 赋予领域专家在大规模上检测、解释和纠正意外的模型行为的能力，通过两个时间序列数据集的评估和用户研究，我们 - DACAD：领域自适应对比学习多元时间序列中的异常检测
本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源 - 端到端自调整自监督时间序列异常检测
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。
- 从混沌到清晰：天文观测中的时间序列异常检测
提出了一种专门用于天文观测的无监督异常检测框架 AERO，该框架利用 Transformer 和图神经网络的结构，能够准确检测出天文观测中的异常，并较其他模型表现更好。
- TimeSeriesBench：时间序列异常检测模型的工业级基准
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。
- WWW重温 VAE 的无监督时间序列异常检测：一种频率视角
我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法 - 通过一类分类理解时间序列异常状态检测
通过一类分类 (OCC) 方法重新定义时间序列异常检测问题，使用随机过程和假设检验严格定义 “时间序列异常状态检测问题” 和其对应的异常，构建人工数据集并测试 38 个异常检测算法，通过大量实验比较了各种算法的实际性能，为未来研究提供了洞察 - 大型语言模型引导的时间序列异常检测的知识蒸馏
通过知识蒸馏，以大型语言模型 (LLM) 为基础训练的教师网络来训练学生网络以检测时间序列异常，利用原型信号和合成异常样本的策略，AnomalyLLM 在 15 个数据集中表现出最先进的性能，在 UCR 数据集中提高了至少 14.5％ 的准 - TreeMIL: 多实例学习框架用于时间序列异常检测与不精确监督
这篇研究提出了一种基于树的多示例学习框架（TreeMIL），用于解决时间序列异常检测中的集体异常问题，并在七个公共数据集和八种基线方法上进行实验证明，相较于先前最先进的方法，TreeMIL 的 F1 得分平均提高了 32.3%。
- PUPAE：直观且可操作的时间序列异常解释
近年来，在时间序列异常检测方面取得了显著进展，然而，在检测到异常后，我们能够解释它吗？本文介绍了一种领域无关的反事实解释技术，用于产生时间序列异常的直观且可行动的可视化和基于文本的解释。
- 时间序列异常检测中的弱增强变分自动编码器
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。
- MACE: 频域中多模式适应和高效异常检测方法
MACE 是一种在频域中为时间序列异常检测而提出的多模式适应和高效的异常检测方法，具有优秀的处理多样化正常模式的模式提取机制、双元卷积机制以及利用频域的稀疏性和并行性来增强模型效率的特点。通过理论和实验证明，使用策略性选择的傅里叶基集合可以 - 利用掩码潜在生成建模的可解释异常检测
我们提出了一种新颖的时间序列异常检测方法，具有优秀的检测准确性和较高的可解释性。我们的方法利用了被称为 TimeVQVAE 的领先时间序列生成方法中的掩蔽生成建模。先前模型在时频域的离散潜空间上进行训练，保留了时频域的维度语义，使我们能够计