Knowledge-Assisted Multi-Graph Dependency Learning for Multivariate Time Series Anomaly Detection in Multi-Stage Industrial Processes
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
针对多阶段工业过程中多变量时间序列异常检测问题，提出知识辅助多图框架并构建三个互补图，利用多图注意力网络建模，通过纳入过程知识显著提升异常检测性能。
2026-07-20 cs.AI cs.LG
Time-RA: Towards Time Series Reasoning for Anomaly Diagnosis with LLM Feedback
University of Oxford（牛津大学）；Nanjing University（南京大学）；MSRA（微软研究院）；SJTU（上海交通大学）；Abel AI；Outsampler；University of Strasbourg（斯特拉斯堡大学）；Squirrel Ai Learning（Squirrel AI学习）
本文提出Time-RA，通过引入RATs40K多模态数据集，改进时间序列异常检测的生成式推理方法，提升诊断准确性和解释性，实现可解释的多模态时间序列分析。
2026-04-16 cs.AI cs.LG cs.MM
Anomaly Detection with Inexact Labels
NTT Communication Science Laboratories（NTT通信科学实验室）；NTT Software Innovation Center（NTT软件创新中心）
我们提出了一种监督异常检测方法的数据与不准确的异常标签，其中每个标签，这是分配给一组实例，表明至少有一个实例中的集合是异常的。虽然已经提出了许多异常检测方法，但它们不能处理不精确的异常标记。为了测量不精确异常标签的性能，我们定义了不精确AUC，这是我们对不精确标签的ROC曲线下面积（AUC）的扩展。所提出的方法训练异常得分函数，使得不精确AUC的平滑近似增加，而非异常实例的异常分数变低。我们通过基于神经网络的无监督异常检测方法对异常得分函数进行建模，例如，自动编码器。所提出的方法执行良好，即使只有少量的不精确的标签是通过将一个无监督的异常检测机制与不精确的AUC最大化。使用各种数据集，我们的实验证明，我们提出的方法提高了异常检测性能与不准确的异常标签，并优于现有的无监督和监督异常检测和多实例学习方法。
2019-09-11 cs.LG stat.ML
A Methodological Report on Anomaly Detection on Dynamic Knowledge Graphs
University of Rouen Normandy（鲁昂诺曼底大学）
本文针对 Kubernetes 微服务环境下的动态知识图谱异常检测问题，利用序列、层次和跨服务依赖三种图表示，测试多种机器学习与深度学习模型，并提出基于集成学习的方法，在 ISWC 2024 数据集上显著优于基线。
2024-11-11 cs.AI cs.LG
Sequential anomaly detection in the presence of noise and limited feedback
Duke University（杜克大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）；University of California, Merced（加利福尼亚大学默塞德分校）
本文介绍了一种方法，用于检测从连续观察和潜在的噪声数据的异常。所提出的方法包括两个主要元素：（1）{ \em过滤}，或根据我们从先前的噪声观测中预测它的能力，为每个连续测量分配一个信念或可能性，以及（2）{ \em对冲}，或通过将当前信念与时变和数据自适应阈值进行比较来标记潜在的异常。基于来自终端用户的可用反馈来调整阈值。我们的算法，它结合了普遍的预测与最近的在线凸规划的工作，不需要计算后验分布给定所有当前的观察，并涉及简单的原始-对偶参数更新。所提出的方法的核心在于指数族模型，可以在各种各样的背景和应用中使用，并产生方法，实现次线性每轮遗憾对静态和缓慢变化的产品分布与边际来自同一指数族。此外，对静态分布的遗憾与相应的在线强凸博弈的极大极小值相吻合。我们还证明了在对冲步骤相对于最佳离线选择的阈值与访问所有估计的信念和反馈信号的错误的数量上的界限。我们验证了理论的合成数据从随时间变化的分布在二进制向量的高维，以及安然电子邮件数据集。
2012-03-13 cs.LG
Graph Evidential Learning for Anomaly Detection
Renmin University of China（中国人民大学）；Guangxi University（广西大学）；Microsoft MAI（微软MAI）；Cornell University（康奈尔大学）
本文提出图证据学习（GEL）框架，通过证据分布建模节点特征与图拓扑，量化图不确定性和重构不确定性并用于异常评分，在无监督图异常检测中实现了最先进性能且对噪声和结构扰动具有较高鲁棒性。
2025-05-31 cs.AI cs.LG
Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon
Laboratoire Images, Signaux et Systèmes Intelligents (LISSI)（智能图像、信号与系统实验室（LISSI））；Université Paris-Est Créteil（巴黎东克雷泰伊大学）；ESIEE Paris-Université Gustave Eiffel（巴黎ESIEE工程学院-古斯塔夫·埃菲尔大学）；HN-Services（HN服务公司）；University Metropolitan Tirana（地拉那都市大学）
本文提出一种将延迟与预测范围等时间信息直接纳入预测结果的时间序列异常预测新方法，并构建专用数据集验证其有效性，为该领域设立了新基准。
2024-10-23 cs.AI cs.LG
Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection
CSU（中国科学技术大学）；UST（香港大学）
提出SignGAD框架，通过自设计任务条件检测工作流替代固定检测器，结合图编码与检测器选择及受保护重拟合策略，提升少样本图异常检测的适应性与可靠性。
2026-05-26 cs.AI cs.LG
Deep Active Learning for Anomaly Detection
Kunumi；University of Cambridge（剑桥大学）；DeepMind；UFMG（米纳斯吉拉斯联邦大学）
人类专家凭直觉很容易理解异常，但很难用数学来定义。因此，为了在无监督异常检测中具有性能保证，需要假设异常是什么。相比之下，主动学习通过适当的专家反馈提供必要的先验知识。因此，在这项工作中，我们提出了一种主动学习方法，该方法可以建立在现有的深度学习解决方案基础上，用于无监督异常检测，从而可以有效地将离群值与正常数据分离。我们引入了一个新的层，可以很容易地附加到任何为无监督异常检测设计的深度学习模型中，将其转换为主动方法。我们报告的结果合成和真实的异常检测数据集，使用多层感知器和自动编码器架构授权与建议的活动层，我们讨论了他们的性能，发现集群和低密度异常。
2020-04-07 cs.LG stat.ML
Anomaly Detection for Incident Response at Scale
Walmart Global Tech（沃尔玛全球科技）
提出基于机器学习的异常检测产品 AIDR，结合统计、ML、深度学习与规则阈值，通过分布式服务部署，显著降低检测时间和误报率。
2024-04-24 cs.AI cs.LG
Deep Anomaly Detection under Labeling Budget Constraints
University of California, Irvine（加州大学欧文分校）；Bosch Center for Artificial Intelligence（博世人工智能中心）；TU Kaiserslautern（凯泽斯劳滕工业大学）
本文针对标注预算受限的异常检测问题，提出最优数据覆盖标注策略和半监督学习框架，在图像、表格和视频数据上取得领先性能。
2023-07-04 cs.AI cs.LG
Expert enhanced dynamic time warping based anomaly detection
Technical University of Kosice（科希策技术大学）；Kempelen Institute of Intelligent Technologies（凯姆彭智能技术研究所）
本研究提出专家增强动态时间规整异常检测方法E-DTWA，以DTW为基础引入人在回路机制，兼具高效检测、灵活重训练及低计算与空间复杂度的优势。
2023-10-02 cs.AI cs.LG
Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection
Universidad de Granada（格拉纳达大学）
网络异常检测是当今一个非常相关的研究领域，特别是由于其在网络安全领域的多种应用。基于变分自编码器和生成式对抗网络的新模型的推动促使人们重新评估传统的异常检测技术。然而，必须能够从多年评估网络安全数据以进行异常检测的经验的角度来理解这些新模型。在本文中，我们重新审视基于PCA的异常检测技术从概率生成模型的角度来看，并贡献一个数学模型，将它们联系起来。具体来说，我们从概率PCA模型开始，并解释其与多元统计网络监测（MSNM）框架的联系。MSNM最近被成功地提出作为将工业过程异常检测经验纳入网络领域的一种手段。我们使用两个不同的数据集来评估数学模型。第一个是为了更好地理解所提出的分析而创建的合成数据集，第二个是UGR'16，是专门设计的用于网络安全异常检测的真实流量数据集。我们得出的结论，我们认为是有用的生成模型应用于网络安全检测。
2023-02-02 cs.LG stat.ML
RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection
Delft University of Technology（代尔夫特理工大学）
针对仅靠重构误差的无监督时间序列异常检测难发现细微异常的问题，提出融合RBF神经元层的Transformer模型RESTAD，结合相似度得分与重构误差提升检测敏感度，在多个基准数据集上表现优于现有基线。
2024-05-13 cs.AI cs.LG
Develop End-to-End Anomaly Detection System
École Polytechnique（巴黎综合理工学院）；Cisco Meraki（思科 Meraki）
针对网络异常检测中缺乏标注数据及异常模式难以确定的问题，提出端到端异常检测模型开发流水线框架，通过整合用户反馈实现模型持续优化，并验证了新预测模型Lachesis的有效性。
2024-02-01 cs.LG cs.NI
Monotonic anomaly detection
Leiden Institute of Advanced Computer Science（莱顿先进计算机科学研究所）；Leiden University（莱顿大学）；Department of Mathematics, Computer Science and Statistics（数学、计算机科学与统计学系）；Ghent University（根特大学）
针对半监督异常检测仅关注特定方向属性异常的需求，提出带斜坡函数的非对称距离度量与改进路径长度算法，提升了含单调属性数据集的异常检测性能。
2026-09-03 cs.LG
GAN Ensemble for Anomaly Detection
Tufts University（塔夫茨大学）
当被公式化为无监督学习问题时，异常检测通常需要一个模型来学习正常数据的分布。以前的工作将生成对抗网络（GANs）应用于异常检测任务，并从这些模型中显示出良好的性能。由于观察到GAN集成在生成任务中的性能往往优于单个GANs，因此我们提出构建GAN集成用于异常检测。在该方法中，一组生成器和一组鉴别器一起训练，因此每个生成器从多个鉴别器获得反馈，反之亦然。与单个GAN相比，GAN集合可以更好地对正态数据的分布进行建模，从而更好地检测异常。我们对GANs和GAN集成的理论分析解释了GAN集成在异常检测中的作用。在实证研究中，我们评估了从四种类型的基础模型构建的集成，结果表明，这些集成明显优于单一的模型在一系列的异常检测任务。
2020-12-14 cs.AI cs.LG
Parser-Free VLM Verification for Federated Weakly Supervised Video Anomaly Detection
ESIEA；CY Cergy Paris University（CY塞尔吉-巴黎大学）
针对联邦弱监督视频异常检测，提出轻量级MIL-VLM级联框架，利用冻结VLM的logit接口验证可疑片段，无需解析器，在UCF-Crime上提升帧级AUC和AP。
2026-09-09 cs.AI cs.CV cs.LG
Meta-Learning Based Few-Shot Graph-Level Anomaly Detection
School of New Media and Communication（新媒体与传播学院）；Tianjin University（天津大学）；College of Intelligence（智能学院）
提出基于元学习的少样本图级异常检测框架MA-GAD，通过图压缩和元学习提取元异常信息，提升异常检测性能，在生物化学数据集上优于现有方法。
2025-10-09 cs.AI cs.LG
Moment-Based Anomaly Detection in High-Dimensional Mixed Data
Free University of Bozen–Bolzano（博尔扎诺自由大学）；University of Trento（特伦托大学）
本研究提出一种高维混合数据的异常检测方法，通过标准化矩变换生成特征级异常分数，聚合得到MDI分数，可检测多种分布异常，经模拟与真实数据验证了其性能与可解释性。
2026-10-14 cs.LG stat.ML
Retrieval Augmented Anomaly Detection (RAAD): Nimble Model Adjustment Without Retraining
Deloitte & Touche LLP（德勤全球有限公司）
本文提出检索增强异常检测（RAAD），一种利用人工反馈和向量存储实时调整模型输出以减少误报的方法，无需重新训练，适用于高吞吐量场景，并在多种数据模态上验证了其泛化性。
2025-02-26 cs.AI cs.CR cs.LG
Active Learning-based Isolation Forest (ALIF): Enhancing Anomaly Detection in Decision Support Systems
University of Padova（帕多瓦大学）
在许多应用中，异常行为的检测是一个新兴的需求，特别是在安全性和可靠性是关键方面的情况下。虽然异常的定义严格依赖于域框架，但获得完全标记的数据集通常不切实际或太耗时。使用无监督模型来克服标签的缺乏通常无法捕获特定领域的异常，因为它们依赖于离群值的一般定义。本文提出了一种新的基于主动学习的方法，ALIF，来解决这个问题，通过减少所需的标签的数量和调整检测器对用户提供的异常的定义。所提出的方法是特别有吸引力的决策支持系统（DSS），在现实世界中越来越受欢迎的情况下，存在。虽然嵌入了异常检测功能的DSS通常依赖于无监督模型，但它们无法提高性能：ALIF能够通过在常见操作期间利用用户反馈来增强DSS的功能。ALIF是流行的隔离森林的轻量级修改，在大量真实的异常检测数据集中证明了相对于其他最先进的算法的优越性能。
2022-07-08 cs.AI cs.LG
An Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations
提出一种端到端智能体流水线，结合深度时间序列预测、变分异常检测和LLM推理，为办公建筑设备级能耗生成优先级排序的可操作维护建议。
2026-06-26 cs.AI cs.CL cs.LG
Enhancing Unsupervised Anomaly Detection with Score-Guided Network
Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）；Industrial and Commercial Bank of China（中国工商银行）
针对无监督异常检测中过渡区域难区分、假设空间度量难定义的挑战，提出带分数引导正则化的评分网络及SG-AE等模型，在多数据集上取得SOTA性能。
2023-10-09 cs.AI cs.LG
A Graph Prompt Fine-Tuning Method for WSN Spatio-Temporal Correlation Anomaly Detection
本文提出一种基于图神经网络的WSN空间时间相关性异常检测方法，通过预训练-图提示-微调策略提升检测性能和泛化能力。
2026-01-19 cs.AI cs.LG
High-dimensional and Permutation Invariant Anomaly Detection
National Energy Research Scientific Computing Center, Berkeley Lab（伯克利实验室国家能源研究科学计算中心）；Physics Division, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室物理部）；Berkeley Institute for Data Science, University of California, Berkeley（加州大学伯克利分校伯克利数据科学研究所）
针对粒子物理中高维异常检测受限于密度估计、难以兼顾置换不变性与可变长度输入的问题，提出基于扩散模型的置换不变密度估计器，将其密度作为异常检测分数识别低似然喷注，并通过与监督分类结果对比验证了方法有效性。
2024-02-07 cs.AI cs.LG hep-ex
Graph Enhanced Trajectory Anomaly Detection
George Mason University（乔治·玛森大学）
本文提出GETAD框架，通过融合道路网络拓扑、路段语义与历史出行模式，结合图注意力网络、Transformer解码器及置信度加权评分，提升道路受限环境下的轨迹异常检测精度。
2025-09-22 cs.AI cs.LG
An Improved Time Series Anomaly Detection by Applying Structural Similarity
School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北航，北京，中国）；School of Software, Beihang University, Beijing, China（软件学院，北航，北京，中国）
针对基于重构的时间序列异常检测忽略结构特征的问题，提出结构增强方法StrAD，在优化目标中融入趋势、季节性和形状，提升对逐点和模式级异常的检测性能。
2025-09-24 cs.AI cs.LG
Just Repair: A Minimal Denoising Network for Time Series Anomaly Detection
Mercedes-Benz AG（梅赛德斯-奔驰集团）；Institute for Intelligent Systems, Esslingen University of Applied Sciences（智能系统研究所，埃斯林根应用科学大学）
JuRe通过简单结构实现高效时间序列异常检测，其去噪目标优于现有基线方法，且在多个基准测试中表现突出。
2026-08-06 cs.AI cs.LG
Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency
JOANNEUM RESEARCH Forschungsgesellschaft mbH（JOANNEUM RESEARCH 研究所）；TU Graz（格拉茨技术大学）
提出基于嵌入理论与物理一致性原理的系统框架，引入TDC-AE模型，在C-MAPSS数据集上达到与LSTM相当且优于Transformer的性能，并实现近100倍计算量缩减，适用于边缘计算。
2025-09-24 cs.AI cs.LG
Self-Supervised and Interpretable Anomaly Detection using Network Transformers
Virginia Commonwealth University（弗吉尼亚联邦大学）；Idaho National Laboratory（爱达荷国家实验室）
监控计算机网络中的流量是保护关键基础设施免受网络攻击的核心方法之一。机器学习（ML）和深度神经网络（DNN）在过去已经被提出作为识别计算机网络中异常的工具。虽然检测到这些异常提供了攻击的指示，但是仅仅检测到异常并不足以让用户理解异常。现成ML模型的黑盒性质阻止了提取重要信息，这些信息对于隔离故障/攻击源并采取纠正措施至关重要。在本文中，我们介绍了网络Transformer（NeT），DNN模型的异常检测，结合了通信网络的图形结构，以提高可解释性。所提出的方法具有以下优点：1）通过结合计算机网络的图结构来增强可解释性; 2）提供分层特征集，其使得能够在不同粒度级别进行分析; 3）不需要标记数据的自监督训练。所提出的方法进行了测试，通过评估在工业控制系统（ICS）的异常的成功检测。所提出的方法成功地识别了异常、受影响的设备以及导致异常的特定连接，提供了一种数据驱动的分层方法来分析网络行为。
2022-02-25 cs.AI cs.CR cs.LG
Bayesian Quantum Orthogonal Neural Networks for Anomaly Detection
QC Ware；Central Research and Technology, Airbus Group（空中客车集团中央研究与技术部）
本文提出贝叶斯量子正交神经网络，结合贝叶斯学习与正交性，用于三维物体异常检测，并在IBM量子设备上验证了可行性。
2025-04-25 cs.LG quant-ph
ShaTS: A Shapley-based Explainability Method for Time Series Artificial Intelligence Models applied to Anomaly Detection in Industrial Internet of Things
Departamento de Ingeniería y Tecnología de Computadores, University of Murcia（计算机工程与技术部门，穆尔西亚大学）
本文提出与模型无关的时序模型可解释性方法ShaTS，通过先验特征分组保留时序依赖，在SWaT数据集上比SHAP更准确地定位异常关键时间点、传感器和执行器，并满足工业实时性要求。
2025-06-02 cs.AI cs.LG
NFAD: Fixing anomaly detection using normalizing flows
Laboratory of Methods for Big Data Analysis, HSE University（HSE大学大数据分析方法实验室）
异常检测是一项具有挑战性的任务，几乎在工业和科学的所有领域都经常出现，从欺诈检测和数据质量监控到发现罕见疾病病例和寻找新的物理学。大多数用于异常检测的常规方法，例如单类SVM和鲁棒自动编码器，都是单类分类方法，即专注于将正常数据与空间的其余部分分离。这种方法是基于正常和异常类的可分离性的假设，并且随后不考虑任何可用的异常样本。尽管如此，在实际环境中，一些异常样本往往是可用的;然而，通常在数量上远远低于平衡分类任务所需的，并且可分性假设可能并不总是成立。这导致了一个重要的任务-将已知的异常样本纳入异常检测模型的训练过程。在这项工作中，我们提出了一种新的模型不可知的训练过程来解决这个任务。我们将一类分类问题转化为二元分类问题，将正常数据与伪异常样本区分开来。通过将潜在分布的尾部馈送到模型中，从归一化流模型的低密度区域中提取伪异常样本。这种方法允许容易地将已知异常包括到任意分类器的训练过程中。我们证明了我们的方法在一类问题上表现出相当的性能，最重要的是，在具有可变数量的已知异常的任务上实现了相当或优越的结果。
2021-11-19 cs.LG stat.ML
Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a Stacked Recurrent Autoencoder Method with Dynamic Thresholding
The University of Nottingham（诺丁汉大学）
随着航空技术的不断发展，无人机（UAV）越来越多地融入国际商业和军事行动。研究飞机数据的应用对于提高安全性、降低运营成本和开发航空技术的下一个前沿至关重要。由于这些原因，拥有一个可以准确识别飞机异常行为的离群值检测系统至关重要。本文提出了一种系统，该系统将基于长短期记忆（LSTM）深度学习自动编码器的方法与新型动态阈值算法和加权损失函数相结合，用于无人机数据集的异常检测，以促进航空业内利用机器学习和数据分析创新的持续努力。动态阈值和加权损失函数显示出有前途的改进标准的静态阈值的方法，无论是在准确性相关的性能指标和速度的真正的故障检测。
2022-03-09 cs.LG
AnomalyExplainer Explainable AI for LLM-based anomaly detection using BERTViz and Captum
University of Oulu（奥卢大学）
本研究针对基于LLM的网络安全异常检测存在的信任不足问题，提出结合BERTViz、Captum可视化工具与注意力自然语言报告的AnomalyExplainer框架，在HDFS数据集上RoBERTa准确率达99.6%，可提升异常检测可解释性与网络安全工作效率。
2025-08-26 cs.LG
HLSAD: Hodge Laplacian-based Simplicial Anomaly Detection
RWTH Aachen University（亚琛工业大学）
提出HLSAD方法，利用单纯复形Hodge Laplacian的谱特性建模高阶多路交互，有效检测时变单纯复形中的异常，在精度和计算效率上优于传统图方法。
2025-05-30 cs.LG cs.SI
Time-series Anomaly Detection based on Difference Subspace between Signal Subspaces
University of Tsukuba（筑波大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一种基于奇异谱分析的时间序列异常检测新方法，通过监测过去与当前信号子空间间差分子空间的微小时间变化作为异常分数，在幅度和方向上捕捉整体结构差异，有效提升了检测性能。
2023-04-05 cs.CV cs.LG
AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework
Institute of Electronics（电子研究所）；AGH（AGH大学）；Department of Computer Science（计算机科学系）；American University（美利坚大学）
针对现有神经进化异常检测框架支持的网络层类型有限、模型优化繁琐的问题，提出三阶段框架AD-NEv++，结合子空间进化、模型进化与微调，支持多种网络层，在基准测试中性能优于现有深度学习及神经进化方法，超越最优GNN架构。
2024-03-25 cs.AI cs.LG cs.NE
Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions: An Internal Audit Perspective
针对银行交易异常检测传统方法的局限，本文提出可解释人工智能框架，用隔离森林模型评分，SHAP层提供解释，通过Streamlit仪表板呈现结果，经实验评估性能良好，能提升审计人员信心与决策质量，推动AI在金融环境的实际部署。
2026-07-16 cs.AI cs.LG
Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection
Cranberry-Lemon University（蔓越莓柠檬大学）；University of the Witwatersrand（金山大学）
我们提出了一个端到端的可微神经网络架构，通过将序列概率比测试的预测残差进行异常检测的多元时间序列。该架构是一个级联的动态系统，旨在将信号的线性可预测成分（如趋势和季节性）与非线性成分分开。前者由局部线性动态层建模，其残差被馈送到一个通用的时间卷积网络，该网络还聚合来自不同时间序列的全局统计数据，作为每个时间序列的局部预测的上下文。最后一层实现了异常检测器，它利用预测残差的时间结构来检测孤立点异常和设定点变化。它是基于一个新的应用程序的经典的F-SUM算法，适应通过使用变分近似的f-发散。该模型自动适应观测信号的时间尺度。它在一开始就近似SARIMA模型，并自动调整到信号及其协变量的统计数据，而无需监督，因为观察到更多的数据。由此产生的系统，我们称之为STRIC，在多个异常检测基准上优于最先进的鲁棒统计方法和深度神经网络架构。
2022-02-25 cs.LG cs.SY eess.SY
Beyond Window-Based Detection: A Graph-Centric Framework for Discrete Log Anomaly Detection
Sino-German Joint Software Institute, Beihang University（北京航空航天大学中德软件学院）
针对传统窗口方法在日志异常检测中的上下文偏差与定位模糊问题，提出图中心框架TempoLog，利用多尺度时序图网络直接构建动态图，实现事件级异常检测，在公共数据集上达到最先进性能。
2025-01-21 cs.LG cs.SE
Text-ADBench: Text Anomaly Detection Benchmark Based on LLM Embeddings
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本研究构建了基于LLM嵌入的文本异常检测基准，通过多模型、多数据集的实验发现嵌入质量决定检测效果，深度学习方法在LLM嵌入下无性能优势，还提出了高效评估策略并开源工具包。
2026-08-25 cs.AI cs.CL cs.LG
Improve black-box sequential anomaly detector relevancy with limited user feedback
Amazon Research（亚马逊研究院）
异常检测器通常被设计为捕获统计异常。最终用户通常不会对所有检测到的离群值感兴趣，而只对与其应用相关的离群值感兴趣。针对现有的黑盒序列异常检测器，提出了一种利用少量人工反馈提高其用户相关性的方法。作为我们的第一个贡献，该方法是不可知的检测器：它只假设访问其异常分数，而不需要任何额外的信息inside it.Inspired由一个事实，即异常是不同类型的，我们的方法识别这些类型，并利用用户反馈来分配相关性类型。这个相关性分数，作为我们的第二个贡献，用于调整后续的异常选择过程。在合成数据集和真实数据集上的实验结果表明，我们的方法在一系列异常检测器上的精度和召回率都有显着提高。
2020-09-15 cs.LG stat.ML
Active anomaly detection based on deep one-class classification
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Harvard University（哈佛大学）
本文针对 Deep SVDD 的主动学习，提出基于自适应边界的不确定样本查询策略和结合噪声对比估计的半监督单类分类方法，并在七个异常检测数据集上验证其有效性。
2023-09-18 cs.LG
Deep Semi-Supervised Anomaly Detection for Finding Fraud in the Futures Market
Université de Montréal（蒙特利尔大学）；TMX Group（TMX集团）
本研究评估深度半监督异常检测方法Deep SAD在期货市场高频数据欺诈检测中的效果，利用TMX交易所专有数据，证明少量标记数据能显著提升无监督异常检测的准确性。
2023-08-31 cs.LG q-fin.RM
Federated Structured Sparse PCA for Anomaly Detection in IoT Networks
School of Mechatronic Engineering and Automation（机械电子工程与自动化学院）；Shanghai University（上海大学）
针对现有联邦PCA方法缺乏稀疏性整合的问题，提出融合双重稀疏正则化的联邦结构化稀疏PCA方法FedSSP，基于近端交替最小化求解，可提升IoT网络异常检测的可解释性与准确率。
2025-10-28 cs.LG math.OC
Benchmarking Deep Learning Models for Anomaly Detection in Real-World Cloud Telemetry
Indian Institute of Technology Delhi（德里印度理工学院）
该研究针对真实云遥测异常检测，以IBM Cloud Console数据集开展基准测试，评估GRU、Transformer等模型，发现TimesNet表现最优，且强调时序感知评估与鲁棒后处理的重要性。
2026-10-14 cs.DC cs.LG
Automated Model Selection for Time-Series Anomaly Detection
Microsoft（微软）
时间序列异常检测是学术界和工业界的热门课题。许多公司需要监控其应用程序和服务的数千个时间信号，并需要及时获得潜在事件的即时反馈和警报。这项任务是具有挑战性的，因为时间序列的复杂特性，这是混乱的，随机的，往往没有适当的标签。由于缺乏标签，这禁止训练监督模型，并且单个模型很难适应不同的时间序列。在本文中，我们提出了一个解决方案来解决这些问题。我们提出了一个自动化的模型选择框架，自动找到最合适的检测模型与适当的参数输入数据。模型选择层是可扩展的，因为当新的检测器可用于服务时，它可以被更新而不需要太多的工作。最后，我们结合了一个定制的调整算法，以灵活地过滤异常，以满足客户的标准。在真实数据集上的实验表明了该方法的有效性。
2020-08-25 cs.LG eess.SP
Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation
University of Amsterdam（阿姆斯特丹大学）；Department of Radiology, The Netherlands Cancer Institute（荷兰癌症研究所放射科）；GROW Research Institute for Oncology and Reproduction, Maastricht University（马斯特里赫特大学肿瘤学与生殖医学研究学院）
提出adU-Net，将双参数MRI生成的异常图整合进深度学习分割框架，通过Fixed-Point GAN重建突出病变区域，在外部测试集上以0.618平均得分优于nnU-Net，提升了csPCa识别的泛化与性能。
2025-04-30 cs.CV cs.LG
DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data
本文提出DTAAD模型，将自回归模型与自编码器结合，并采用双TCN-注意力网络，在多变量时间序列异常检测与诊断中以超轻量结构显著提升F1分数并大幅缩短训练时间。
2024-04-29 cs.LG
Toward Faithful Explanations in Acoustic Anomaly Detection
Mila-Quebec AI Institute（魁北克AI研究所）；Concordia University（康科迪亚大学）；FORAC Research Consortium（FORAC研究联盟）；Université Laval（拉瓦尔大学）
本文研究了基于自编码器的音频异常检测模型的可解释性，发现掩码自编码器在提供更可信的解释方面表现更优，且不影响检测性能。
2026-01-19 cs.LG cs.SD eess.AS
ADVENT: Attack/Anomaly Detection in VANETs
Dalhousie University（达尔豪斯大学）；New York Institute of Technology - Vancouver Campus（纽约理工学院温哥华校区）
本文提出一种结合统计与机器学习及联邦学习的VANET实时恶意行为检测系统，能同时识别攻击发生与肇事车辆，分别取得99.66%和约97.85%的F1分数。
2024-01-16 cs.CR cs.LG
FeedbackLogs: Recording and Incorporating Stakeholder Feedback into Machine Learning Pipelines
University of Cambridge（剑桥大学）；Responsible AI Institute（负责任人工智能研究所）；Carnegie Mellon University（卡内基梅隆大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出FeedbackLogs，作为ML流水线文档的补充，用于记录和纳入多利益相关者反馈，形式化收集流程，并展示其在算法审计和记录更新中的用例。
2023-07-28 cs.AI cs.HC cs.LG
