Anomaly Subsequence Detection with Dynamic Local Density for Time Series
Harbin Institute of Technology（哈尔滨工业大学）
异常子序列检测是指检测时间序列中不一致的数据，这些数据往往包含重要的信息。由于时间序列的高维性，传统的异常检测往往需要很大的时间开销;此外，降维技术即使能够提高效率，也会丢失一些信息，并遭受时间漂移和参数调整的影响。本文提出了一种新的基于动态局部密度估计（DLDE）的异常子序列检测方法，通过对时间序列进行时间分割树的动态划分，在不丢失趋势信息的前提下提高检测效果。为了避免哈希函数的影响和动态时间段的随机性，集成学习。在不同类型数据集上的实验结果表明，该模型的性能优于现有方法，准确率有较大的提高。
2019-06-28 cs.LG
AEGR: A simple approach to gradient reversal in autoencoders for network anomaly detection
异常检测是指一个过程，其目的是检测遵循与大多数数据点不同模式的数据点。异常检测方法受到几个众所周知的挑战，阻碍了他们的性能，如高维。自动编码器是无监督的神经网络，用于降低维数，并检测大型数据集中的网络异常。当训练集包含噪声和异常时，自动编码器的性能会减弱。本文提出了一种新的梯度反转方法，以克服异常对训练阶段的影响，以检测网络异常。该方法与其他方法不同，因为它不需要无异常的训练集，并且基于重建误差。一旦从网络中提取出潜在变量，就可以使用局部离群值因子将正常数据点与异常数据点分开。还添加了简单的修剪方法和数据增强以进一步提高性能。实验结果表明，该模型的性能优于其他众所周知的方法。
2020-02-28 cs.LG stat.ML
Distribution Agnostic Symbolic Representations for Time Series Dimensionality Reduction and Online Anomaly Detection
本文提出两种数据驱动的SAX符号表示方法，分别通过核密度估计结合Lloyd-Max量化和Mean-Shift聚类，克服传统SAX的高斯分布和等概率符号假设限制，有效提升时间序列降维、索引及异常检测性能。
2022-06-06 cs.IR cs.LG
Flex-GAD : Flexible Graph Anomaly Detection
IIT Bhilai（比哈尔理工学院）
检测属性网络中的异常节点，其中每个节点都与结构连接和描述性属性相关联，对于识别社交网络，学术引文图和电子商务平台等领域中的欺诈，错误信息和可疑行为至关重要。我们提出了Flex-GAD，一种新的无监督框架，用于在节点级别进行图异常检测。Flex-GAD集成了两个编码器来捕获图形数据的互补方面。该框架采用了一种新的基于社区的GCN编码器，将社区内和社区间的信息建模到节点嵌入中，从而确保结构的一致性，以及标准的属性编码器。这些不同的表示融合使用基于自我注意力的表示融合模块，它使自适应加权和有效的整合的编码信息。这种融合机制允许跨不同编码器自动强调最相关的节点表示。我们评估Flex-GAD在七个真实世界的属性图具有不同的大小，节点度和属性同质性。Flex-GAD的平均AUC比之前表现最好的方法GAD-NR提高了7.98%，证明了其在不同图形结构中的有效性和灵活性。此外，它还显著缩短了训练时间，在7个基准数据集上，平均每个epoch的运行速度比Anomaly DAE快102倍，比GAD-NR快3倍。
2025-10-29 cs.LG cs.SI
Enabling Efficient and Flexible Interpretability of Data-driven Anomaly Detection in Industrial Processes with AcME-AD
University of Padova（帕多瓦大学）；Statwolf Data Science Srl（Statwolf数据科学有限公司）
本文首次将模型无关、实时高效的可解释异常检测框架 AcME-AD 应用于工业场景，验证其支持根因分析并融入决策支持系统的潜力。
2024-10-25 cs.LG
A real-time anomaly detection method for robots based on a flexible and sparse latent space
Department of Computer Science, Hanyang University（韩雅大学计算机科学系）；Korea Institute of Science and Technology (KIST)（韩国科学技术院）
本文提出一种基于稀疏掩码自回归流对抗自编码器的机器人实时异常检测方法，通过灵活潜空间和稀疏特征聚焦，在拾放和碰撞场景中显著提升检测精度，并实现毫秒级推理。
2025-06-22 cs.LG cs.RO
Generative Models for Anomaly Detection and Design-Space Dimensionality Reduction in Shape Optimization
National University of Singapore（新加坡国立大学）
本文提出用因子分析和概率主成分分析等生成模型对形状优化设计空间降维，并以马氏距离检测和惩罚异常几何，在DTMB 5415船体优化中提升了全局优化收敛性并避免无效仿真。
2023-11-30 cs.LG math.OC physics.data-an
Anomaly Detection for High-Dimensional Data Using Large Deviations Principle
University at Buffalo（布法罗大学）；Tufts University（塔夫茨大学）
当前的异常检测方法在处理高维数据时，大多数都存在维数灾难问题。我们提出了一个异常检测算法，可以扩展到高维数据使用的概念，从理论的大偏差。所提出的大偏差异常检测（LAD）算法表现出优于各种大型和高维基准数据集上的最先进的异常检测方法。利用该算法的能力，规模高维数据，我们提出了一个在线异常检测方法来识别异常的多元时间序列的集合。我们证明了在线算法在识别美国COVID-19相关病例和死亡异常趋势的县方面的适用性。数个已识别的异常县与记录在案的对COVID大流行应对不力的县相关。
2021-09-28 cs.LG stat.ML
Multi-Stage Fault Warning for Large Electric Grids Using Anomaly Detection and Machine Learning
University of Michigan（密歇根大学）；Rochester Institute of Technology（罗切斯特理工学院）
在复杂电网的监测中，为运营商提供网络上检测到的异常的早期警告以及特定故障类型的精确分类和诊断是至关重要的。在本文中，我们提出了一种新的多阶段预警系统原型的电网故障检测，分类，子组发现，和可视化。在第一阶段，基于四分位数的计算高效的异常检测方法实时的检测故障的存在。在第二阶段，故障被归类为九个预定义的灾难场景之一。时间序列数据首先映射到高度歧视性的功能，通过应用基于时间自相关的降维。然后通过三种分类技术之一映射特征：支持向量机、随机森林和人工神经网络。最后在第三阶段，基于动态时间规整的类内聚类用于更细粒度的故障特征。在Bonneville电力局电网数据上的结果表明：i）所提出的异常检测器既快速又准确; ii）降维导致分类精度和速度的显著提高; iii）随机森林方法提供最准确、一致和鲁棒的故障分类;以及iv）给定类别内的时间序列自然地分成五个不同的簇，其紧密对应于电网总线的地理分布。
2019-03-15 cs.LG stat.ML
Efficient Anomaly Detection via Matrix Sketching
Stanford University（斯坦福大学）；VMware Research（威睿研究院）
我们认为，在高维数据中使用流行的PCA异常分数发现异常的问题。用于计算这些分数的朴素算法显式地计算协方差矩阵的PCA，其在数据的维度中使用空间二次。我们给出了第一个流算法，使用的空间是线性或次线性的维度。我们证明一般结果表明，\emph{any}草图的矩阵，满足一定的运营商规范的保证，可以用来近似这些分数。我们实例化这些结果与强大的矩阵素描技术，如频繁的方向和随机投影，以获得有效和实用的算法，这些问题，我们验证了现实世界的数据集。我们的主要技术贡献是证明了这些测度计算中产生的算子的矩阵扰动不等式。
2018-11-27 cs.AI cs.LG stat.ML
Perfect density models cannot guarantee anomaly detection
University of Oxford（牛津大学）；Google Research（谷歌研究院）
由于其可能性的易处理性，一些深度生成模型显示出看似简单但重要的应用前景，如异常检测，不确定性估计和主动学习。然而，经验上归因于异常的可能性值与这些建议的应用所建议的期望相冲突。在本文中，我们通过重新参数化的镜头仔细研究了分布密度的行为，并表明这些量携带的信息比以前认为的更少，超出了估计问题或维数灾难。我们的结论是，使用这些可能性的异常检测依赖于强大的和隐含的假设，并强调明确制定这些假设可靠的异常检测的必要性。
2022-01-15 cs.LG stat.ML
Unsupervised Anomaly and Change Detection with Multivariate Gaussianization
Universitat de València（瓦伦西亚大学）
异常检测是一个密集的研究领域。识别数据/图像中的低概率事件是一个具有挑战性的问题，因为数据是高维的，特别是当没有（或很少）关于异常的信息是先验的。虽然有很多方法可用，但其中绝大多数都不能很好地扩展到大型数据集，并且需要选择一些（通常是关键的）超参数。因此，无监督和计算效率高的检测方法变得非常必要。我们提出了一种无监督的方法，通过多变量高斯化方法，可以准确地估计多变量密度，一个长期存在的问题，统计和机器学习的遥感图像检测异常和变化。该方法将任意复杂的多元数据转换为多元高斯分布。由于变换是可微的，通过应用变量变化公式，可以估计原始域中任何一点的概率。假设很简单：具有低估计概率的像素被认为是异常。我们的方法可以描述任何多变量分布，有效地利用内存和计算资源，是无参数的。我们在实验中，涉及异常检测和变化检测在不同的遥感图像集的方法的效率。结果表明，我们的方法优于其他线性和非线性方法的检测能力在异常和变化检测的情况下，表现出鲁棒性和可扩展性的维度和样本大小。
2022-04-12 cs.CV cs.LG physics.comp-ph
Data Augmentation by AutoEncoders for Unsupervised Anomaly Detection
本文提出了一种自动编码器（AE），用于提高一次类分类器的性能，以检测异常。传统的一类分类器（OCC）在高维和稀疏等特定条件下表现不佳。此外，训练集的大小对单类分类器的性能起着重要的作用。自编码器已被广泛用于从高维数据集获取有用的潜在变量。在所提出的方法中，AE能够从高维数据集中获得有意义的特征，同时进行数据增强。增广的数据用于训练OCC算法。实验结果表明，该方法提高了OCC算法的性能，也优于其他知名的方法。
2019-12-21 cs.LG stat.ML
Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection
Nanjing University（南京大学）；Osaka University（大阪大学）
我们引入隔离分布核作为一种新的方法来衡量两个分布之间的相似性。现有的基于核均值嵌入的方法将点核转换为分布核，存在两个关键问题：点核具有难以处理的维数特征映射;点核是{ \em数据无关}的。本文表明，隔离分布式内核（IDK），这是基于{ \em数据相关}点内核，解决这两个关键问题。我们证明了IDK的功效和效率作为一个新的工具，基于内核的异常检测点和组异常。在没有显式学习的情况下，单独使用IDK优于现有的基于核的点异常检测器OCSVM和其他依赖于高斯核的核均值嵌入方法。对于组异常检测，我们引入了一个基于IDK的检测器，称为IDK $^2$。该算法将输入空间中的群异常检测问题转化为Hilbert空间中的点异常检测问题，无需学习。IDK $^2$的运行速度比组异常检测器OCSMM快几个数量级。我们首次揭示了一个有效的基于核均值嵌入的异常检测器必须采用一个特征核，这是数据依赖的。
2020-09-24 cs.LG stat.ML
Statistical Analysis of Nearest Neighbor Methods for Anomaly Detection
Carnegie Mellon Univeristy（卡内基梅隆大学）
最近邻（NN）过程被广泛研究和应用于监督和无监督学习问题。在本文中，我们关注的是研究基于神经网络的异常检测方法的性能。我们首先通过大量的模拟表明，神经网络方法相比有利的一些其他国家的最先进的算法的异常检测的基础上，一组基准的合成数据集。我们进一步考虑了NN方法在真实数据集上的性能，并将其与问题的维度联系起来。接下来，我们通过研究一个更一般的量称为距离测量（DTM），最初在文献中开发的强大的几何和拓扑推理的NN方法异常检测的理论特性进行分析。我们提供有限样本的经验DTM的统一保证，并使用它们来获得各种设置下的异常观测的误分类率。在我们的分析中，我们依赖于Huber的污染模型，并制定温和的几何规律性假设的数据的基本分布。
2019-07-08 cs.LG math.ST stat.ML
Anomaly Detection with Score functions based on Nearest Neighbor Graphs
Boston University（波士顿大学）
提出了一种新的基于$n$点标称数据最近邻图的评分函数的高维数据非参数自适应异常检测算法。每当测试样本的分数低于$α$（假定为所需的假警报水平）时，即声明异常。所得到的异常检测器被证明是渐近最优的，它是统一的最强大的指定的虚警水平，$α$，异常密度的情况下，当是一个混合物的标称和一个已知的密度。我们的算法是计算效率高，是线性的维度和二次的数据大小。它不需要选择复杂的调整参数或函数逼近类，并能适应局部结构，如局部变化的维数。我们在高维特征空间中的人工和真实数据集上演示了该算法。
2009-10-28 cs.LG
CLOE: Christoffel Loss Autoencoder for Anomaly Detection
研究高维数据半监督异常检测问题，核心方法是结合自动编码器与基于克里斯托费尔函数的检测器，设计新损失函数并提出相关策略。主要贡献是CLOE性能卓越，兼具轻量级和低调整优势。
2026-07-24 cs.AI cs.LG stat.ML
Anomaly Detection in Video Data Based on Probabilistic Latent Space Models
University of Genova（热那亚大学）；University Carlos III de Madrid（马德里卡洛斯三世大学）
提出了一种视频数据异常检测方法。变分自编码器（VAE）用于降低视频帧的维度，生成与低维传感数据（例如，定位、转向角度），使得为自动驾驶车辆开发一致的多模式架构成为可能。一个自适应马尔可夫跳粒子滤波定义的离散和连续的推理水平被用来预测后续帧和检测新的视频序列中的异常。我们的方法在不同的视频场景中进行评估，其中半自动驾驶车辆在封闭环境中执行一组任务。
2020-03-17 cs.CV 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
CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series
University of Trieste（特里este大学）；Idrostudi srl（Idrostudi公司）
提出CoCAI框架，结合扩散模型、保形预测、降维与Copula建模，实现多元时间序列的有效预测及统计可靠的异常检测。
2025-07-23 cs.LG stat.ML
Anomaly Detection With Multiple-Hypotheses Predictions
Robert Bosch GmbH（罗伯特·博世有限公司）；University of Freiburg（弗莱堡大学）
在单类学习任务中，只有正常情况（前景）可以用数据建模，而所有可能的异常变化都太不稳定，无法用样本描述。因此，由于缺乏代表性的数据，广泛的判别方法不能覆盖这样的学习任务，而是生成模型，试图学习前景的输入密度，被使用。然而，生成模型的输入维度很大（如图像），并且通常是低效的学习器。我们建议使用多假设自动编码器更有效地学习前景的数据分布。此外，该模型受到了一个批评，它阻止了不受数据支持的人工数据模式，并强制实施跨假设的多样性。我们的基于多假设的异常检测框架允许可靠地识别分布外的样本。对于CIFAR-10的异常检测，它比以前报告的结果提高了3.9%。在一个真实的异常检测任务中，该方法将基线模型的误差从6.8%降低到1.5%。
2019-05-31 cs.AI cs.CV cs.LG
Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series
EDF R&D（法国电力集团研发中心）；Université de Paris（巴黎大学）；French University Institute (IUF)（法国大学研究院）
长序列中的子序列异常检测是一个重要的问题，有着广泛的应用。然而，到目前为止，在文献中提出的方法有严重的局限性：它们要么需要用于设计异常发现算法的先验领域知识，或者在具有相同类型的经常性异常的情况下使用变得繁琐和昂贵。在这项工作中，我们解决这些问题，并提出了一个无监督的方法适用于域不可知子序列异常检测。我们的方法，Series2Graph，是基于一个新的低维嵌入的连续性的图形表示。Series2Graph既不需要标记实例（如监督技术），也不需要无异常数据（如零正学习技术），并识别不同长度的异常。在迄今为止使用的最大一组合成和真实数据集上的实验结果表明，所提出的方法可以正确识别单一和经常性异常，而无需事先了解其特征，在准确性方面大大优于几种竞争方法，同时速度更快。本文发表在VLDB 2020上。
2022-07-25 cs.LG
Spacecraft Anomaly Detection with Attention Temporal Convolution Network
University of Electronic Science and Technology of China（电子科技大学）；Beijing Aerospace Institute for Metrology and Measurement Technology（北京航天计量测试技术研究所）
航天器在复杂空间执行探测任务时面临各种情况，对航天器异常状态的监测对\textcolor{blue}{the}航天事业的发展至关重要。在轨航天器\textcolor{blue}{contains}产生的时间序列遥测数据是了解航天器状态的重要信息。然而，传统的基于领域知识的航天器异常检测方法由于变量之间的高维性和复杂的相关性而效果不佳。在这项工作中，我们提出了一个基于时间卷积网络（TCN）的航天器多变量时间序列数据的异常检测框架。首先，我们采用动态图注意力模型的变量和时间序列之间的复杂相关性。其次，利用具有并行处理能力的时间卷积网络提取多维\textcolor{blue}{features}，用于\textcolor{blue}{the}下游预测任务。最后，许多潜在的异常检测的最佳阈值。真实NASA SMAP/MSL航天器数据集上的实验表明，我们提出的模型相对于最先进的方法的优越性。
2023-03-13 cs.CV cs.LG
Anomaly Detection Framework Using Rule Extraction for Efficient Intrusion Detection
University of Jyväskylä（于韦斯屈莱大学）
网络安全中的庞大数据集，如网络流量日志，可以使用机器学习和数据采掘方法进行分析。然而，收集的数据量正在增加，这使得分析更加困难。许多机器学习方法不是为大数据集设计的，因此速度慢且难以理解。我们通过创建一个应用降维和合取规则提取的入侵检测框架来解决有效的网络流量分类问题。该系统可以执行无监督的异常检测，并使用此信息创建合取规则，对大量流量进行实时的分类。我们使用广泛使用的KDD Cup 99数据集和真实世界的网络日志对实现的系统进行了测试，以确认性能令人满意。这个系统是透明的，不像一个黑盒子，使它直观的领域专家，如网络管理员。
2014-10-28 cs.CR cs.LG
Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection
Visa Research（Visa研究院）
今天的网络世界是多元的。在极端品种收集的样本需要多元算法来正确检测异常。然而，基于预测的算法，作为广泛证明的方法，往往在数据集上表现不佳或不一致。一个关键的共同问题是，他们努力成为一个尺寸适合所有人，但异常是独特的性质。我们提出了一种方法，适合这种区别。介绍FMUAD -一个基于预测的多方面无监督异常检测框架。FMUAD明确地和单独地捕获异常类型的签名特征-空间变化，时间变化和相关性变化-与独立的模块。然后，这些模块共同学习最佳特征表示，这是高度灵活和直观的，不同于该类别中的大多数其他模型。大量的实验表明，我们的FMUAD框架始终优于其他国家的最先进的基于预测的异常检测器。
2022-01-13 cs.LG
Circuit design in biology and machine learning. II. Anomaly detection
本研究借鉴机器学习异常检测技术，构建适配细胞尺度的最小化生物回路概念框架，证明小型回路可实现有效异常分类，为细胞回路设计与演化研究提供新思路。
2024-11-23 cs.LG q-bio.PE
Why Does Counterintuitive Likelihood Behavior Rarely Emerge in Tabular Anomaly Detection?
Department of Industrial Engineering, University of Yonsei, Republic of Korea, Seoul（延世大学工业工程系）；H. Milton Stewart School of Industrial and Systems Engineering (ISyE), Georgia Institute of Technology, USA, GA（佐治亚理工学院H.米尔顿·斯图尔特工业与系统工程学院）
本文探讨了基于深度生成模型的表格异常检测中反直觉现象的罕见性，通过实验表明归一化流在表格数据中具有实用且可靠的异常检测能力。
2026-10-30 cs.AI cs.LG
No Free Lunch But A Cheaper Supper: A General Framework for Streaming Anomaly Detection
Halmstad University（哈尔姆斯塔德大学）
近年来，在时间流数据中检测异常已经引起了越来越多的研究兴趣。在数据采掘界已经开发了多种算法，这些算法可以分为两类（即，一般性和特别性）。在大多数情况下，一般的方法假设一个尺寸适合所有的解决方案模型，其中单个异常检测器可以检测任何域中的所有异常。到目前为止，还没有一种通用方法被证明在不同的异常类型、用例和数据集上优于其他方法。在本文中，我们提出了SAFARI，制定了一个通用的框架，抽象和统一的基本任务流异常检测，它提供了一个灵活的和可扩展的异常检测过程，以克服一刀切的解决方案的局限性。SAFARI通过允许我们隔离不同算法的共享和独特特征对检测性能的影响，有助于促进更精细的算法比较。使用SAFARI，我们已经实现了各种异常检测器，并确定了一个研究差距，促使我们在这项工作中提出一种新的学习策略。我们对使用SAFARI组成的20个检测器进行了广泛的评估研究，并使用具有不同属性的真实世界基准数据集比较了它们的性能。结果表明，没有一个优越的检测器，以及为每一种情况下，证明我们的假设，“没有免费的午餐”在流异常检测的世界。最后，我们深入讨论了每种方法的优点和缺点，并得出一组结论，以指导未来的SAFARI用户。
2020-04-18 cs.AI cs.LG stat.ML
Unsupervised Anomaly Detection for Auditing Data and Impact of Categorical Encodings
TU Kaiserslautern（凯泽斯劳滕工业大学）；Fraunhofer ITWM（弗劳恩霍夫工业数学研究所）
在本文中，我们介绍了车辆索赔数据集，包括汽车维修的欺诈性保险索赔。这些数据属于更广泛的审计数据类别，其中还包括日志和网络入侵数据。保险索赔数据与其他审计数据（如网络入侵数据）的显著不同之处在于其大量的分类属性。我们解决了异常检测缺少基准数据集的常见问题：数据集大多是机密的，公共表格数据集不包含相关和足够的分类属性。因此，为此目的创建了一个大型数据集，称为车辆索赔（VC）数据集。该数据集在浅层和深度学习方法上进行评估。由于引入了分类属性，我们遇到了为大型数据集编码它们的挑战。由于高基数数据集的One Hot编码会引发“维数灾难”，因此我们尝试使用GEL编码和嵌入层来表示分类属性。我们的工作比较了竞争学习，重建错误，密度估计和对比学习方法的标签，一个热，凝胶编码和嵌入层处理分类值。
2022-10-26 cs.AI cs.LG
Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly Detection with Scale Learning
National Key Laboratory of Parallel and Distributed Computing（并行与分布计算国家重点实验室）；College of Computer, National University of Defense Technology（国防科技大学计算机学院）；College of Science, National University of Defense Technology（国防科技大学理学院）
本文提出基于尺度学习的深度异常检测方法，通过将数据子向量维度与表示维度的关系定义为尺度标签，利用尺度分布对齐监督学习数据内在规律，从而有效度量异常程度，并在实验中显著优于现有生成式和对比式方法。
2023-05-25 cs.AI cs.LG
FRE: A Fast Method For Anomaly Detection And Segmentation
本文提出了一种快速和原则性的方法来解决视觉异常检测和分割问题。在此设置中，我们只能访问无异常的训练数据，并希望检测和识别测试数据上任意性质的异常。我们提出了线性统计降维技术的应用程序的中间功能产生的预训练DNN的训练数据，以捕捉低维子空间真正跨越所述功能。我们表明，\emph{feature reconstruction error}（FRE），这是$\ell_2$规范的原始特征之间的差异，在高维空间和其低维减少嵌入的前图像，是非常有效的异常检测。此外，在中间卷积层上使用相同的特征重建误差概念，我们推导出FRE图，该图提供图像中异常的像素级空间定位（即分割）。使用标准异常检测数据集和DNN架构的实验表明，我们的方法匹配或超过同类最佳质量性能，但计算和内存成本仅为最先进技术所需的一小部分。它可以非常有效地训练和运行，即使在传统CPU上也是如此。
2022-11-23 cs.CV cs.LG
uLEAD-TabPFN: Uncertainty-aware Dependency-based Anomaly Detection with TabPFN
Adelaide University（阿德莱德大学）；Queen's University Belfast（女王大学贝尔法斯特）
本文提出uLEAD-TabPFN框架，通过学习潜在空间中的条件依赖关系，结合不确定性评分实现鲁棒且可扩展的异常检测，在中高维数据集上表现优异。
2026-04-22 cs.AI cs.LG
Real-Time Nonparametric Anomaly Detection in High-Dimensional Settings
Columbia University（哥伦比亚大学）；University of South Florida（南佛罗里达大学）
对于产生高维数据的现代系统的实时的【形】监控和安全性来说，及时检测突发异常是至关重要的。有了这个目标，我们提出了有效的和可扩展的算法。所提出的算法是非参数的，因为假设标称和异常的多元数据分布是未知的。我们提取有用的单变量汇总统计量，并在一维空间中进行异常检测。我们将异常建模为持续的离群值，并建议通过累积和类算法来检测它们。在观察到的数据具有较低的固有维数的情况下，我们学习其中嵌入标称数据的子流形，并评估顺序获取的数据是否持续偏离标称子流形。此外，在一般情况下，我们通过几何熵最小化学习标称数据的接受区域，并评估连续观察的数据是否持续落在接受区域之外。我们提供了一个渐近下界和所提出的算法的平均虚警周期的渐近近似。此外，我们提供了一个充分条件，渐近保证所提出的算法的决策统计不发散的情况下，异常。实验结果表明，该方法在高维环境下能够快速、准确地进行异常检测。
2020-01-27 cs.CR cs.LG stat.ML
Anomaly and Change Detection in Graph Streams through Constant-Curvature Manifold Embeddings
Università della Svizzera italiana（意大利语区大学（瑞士提契诺大学））；University of Exeter（埃克塞特大学）；Politecnico di Milano（米兰理工大学）
将复杂的输入数据映射到合适的低维流形是机器学习中的常见过程。该步骤主要由于两个原因是有益的：（1）它降低了数据维度，以及（2）它提供了可能以方便的几何属性为特征的新的数据表示。欧几里得空间是迄今为止使用最广泛的嵌入空间，这要归功于它们的结构和大量可用的统一推理方法。然而，最近的研究表明，许多类型的复杂数据（例如，表示为图形的那些）实际上由非欧几里德几何更好地描述。在这里，我们研究如何嵌入图的常曲率流形（超球面和双曲流形）的能力，以检测属性图序列的变化的影响。所提出的方法包括将图形嵌入到几何空间中，并通过传统的数值流方法进行变化检测。空间的曲率是一个参数，我们学习它来重现原始应用程序相关图空间的几何形状。初步的实验结果表明，通过弯曲的流形，特别是变化和异常检测问题的图形表示的潜在能力。
2018-05-03 cs.LG stat.ML
Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts
School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院）；Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育区块链与智能技术重点实验室，教育部，广西师范大学）
GAD-MoRE通过混合黎曼专家架构实现零射一般化图异常检测，利用多曲率空间建模提升异常检测能力。
2026-09-01 cs.AI cs.LG
FlexTab: A Flexible Encoder-Decoder Architecture for In-Context Learning Across Diverse Tabular Tasks
SAP SE；SAP France（SAP法国）
提出FlexTab架构，通过任务无关编码器与任务特定解码器组合，在表格数据上实现上下文学习，在分类、回归等六项任务上达到最优或竞争力性能。
2026-10-14 cs.LG
Deep Baseline Network for Time Series Modeling and Anomaly Detection
Alibaba Group（阿里巴巴集团）
近年来，深度学习在时间序列中的应用越来越多。对于时间序列异常检测场景，如金融、物联网、数据中心运营等，时间序列通常显示出非常灵活的基线，这取决于各种外部因素。异常现象通过远离基线而显露出来。然而，检测并不总是容易的，由于一些挑战，包括基线偏移，缺乏标签，噪声干扰，流数据中的实时的检测，结果的可解释性等，在本文中，我们开发了一种新的深度架构，以正确地提取基线的时间序列，即深度基线网络（DBLN）。通过使用这种深度网络，我们可以轻松地定位基线位置，然后提供可靠和可解释的异常检测结果。在合成数据集和公开真实数据集上的实验结果表明，与现有方法相比，该算法具有更好的性能，具有良好的实际应用价值。
2022-10-09 cs.LG
Successive Data Injection in Conditional Quantum GAN Applied to Time Series Anomaly Detection
Thales Digital Solutions（泰雷兹数字解决方案公司）
针对量子比特数量有限导致QGAN难以处理高维时间序列异常检测的问题，提出SuDaI连续数据注入编码方法，可适配更高维网络数据检测，且应用场景广泛。
2023-10-08 cs.LG cs.NI
Adaptive Thresholding Heuristic for KPI Anomaly Detection
Ericsson（爱立信）
针对现有时间序列离群点检测不符合业务异常定义的问题，提出可结合任意分解方法与离群检测器的自适应阈值启发式方法ATH，在爱立信数据集上验证了其高效可扩展、适配性强的优势。
2023-08-21 cs.LG stat.ML
Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series
IMEC
本文提出两种无监督异常预测方法，利用N-BEATS或图神经网络对半导体多变量时间序列进行预测，通过偏差检测异常，GNN在性能、参数和计算成本上更优。
2025-10-23 cs.AI cs.LG
Mutual information and task-relevant latent dimensionality
Department of Physics, Initiative for Theory and Modeling of Living Systems, Emory University（物理系、生命系统理论与建模倡议、埃默里大学）；School of Physics, School of Psychology, Georgia Institute of Technology（物理学院、心理学学院、佐治亚理工学院）；Department of Biology, Emory University（生物学系、埃默里大学）
该研究通过信息瓶颈理论提出了一种基于互信息的潜在维度估计方法，利用混合批评者结构有效压缩数据并保留潜在几何，适用于任务相关和内在维度估计。
2026-02-08 cs.LG physics.data-an stat.ML
Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems
Vienna University of Technology（维也纳工业大学）；Austrian Institute of Technology（奥地利技术研究所）；Hauser（豪瑟）；Siemens Technology（西门子科技）
由于数据维数高、传感器记录不一致以及缺乏标签，大型工业冷却系统中的异常检测非常具有挑战性。这些系统中的自动异常检测的现有技术通常依赖于专家知识和阈值。然而，数据被视为孤立和复杂的，多变量关系被忽视。在这项工作中，我们提出了一个基于自动编码器的端到端的工作流程，适用于大型工业冷却系统中的多变量时间序列数据的异常检测，包括解释故障定位和基于专家知识的根本原因分析。我们使用总重建误差（包括所有传感器信号的自动编码器重建误差）的阈值来识别系统故障。对于故障定位，我们计算单个重建误差（每个传感器信号的自动编码器重建误差），使我们能够识别对总重建误差贡献最大的信号。通过查找表提供专家知识，从而能够对受影响的子系统进行根本原因分析和分配。我们在一个冷却系统单元中展示了我们的发现，该单元包括34个传感器，使用4重交叉验证方法，并根据领域专家提供的阈值自动创建标签。使用4重交叉验证，我们的F1分数为0.56，而自动编码器结果显示出比自动创建的标签（CS为0.62）更高的一致性分数（CS为0.92）--这表明异常是以非常稳定的方式识别的。主要异常由自动编码器发现，并自动创建标签，并记录在日志文件中。此外，所解释的故障定位以非常一致的方式突出了主要异常的最受影响的组件。
2022-10-14 cs.AI cs.LG
Scalable anomaly detection via a univariate Christoffel function
LAAS-CNRS（法国国家自动控制研究所）；University of Toulouse（图卢兹大学）；CNRS（国家科学研究中心）；Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电子工程系）
针对Christoffel函数方法因矩阵大小随维度指数增长而难以应用于高维数据的问题，提出基于查询点与支撑点间平方距离的单变量Christoffel函数（UCF），在ADBench基准上平均精度优于14种基线方法。
2026-06-12 cs.LG
Multivariate Time-series Anomaly Detection via Dynamic Model Pool & Ensembling
College of Computer Science and Technology（计算机科学与技术学院）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
本文提出DMPEAD框架，通过动态模型池与集成方法提升多变量时间序列异常检测的适应性和可扩展性。
2026-01-05 cs.DB cs.LG
DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection
本文提出DDMT框架，通过自适应动态邻居掩码缓解弱身份映射问题，并首次结合去噪扩散模型与Transformer建模正常数据分布，在五个公开数据集上取得最先进的多元时间序列异常检测性能。
2023-10-30 cs.AI cs.LG
RGLD: Randomized Global-Local Density Estimation for Tabular Anomaly Detection
Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系）；Intel Corporation（英特尔公司）
提出RGLD方法，结合全局随机特征密度分支和局部邻居分支，在特征袋随机视图上检测异常，在47个表格数据集上取得最优AUROC性能，速度比深度检测器快50-580倍。
2026-06-27 cs.AI cs.LG
Multi-Modal Anomaly Detection: A Survey
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；School of Software, Beihang University（北京航空航天大学软件学院）；Shandong Inspur Intelligent Production Technology Co., Ltd（山东浪潮智能生产技术有限公司）
该综述从假设驱动视角梳理多模态异常检测（MMAD），划分两种互补方法范式，探讨基础模型对MMAD的重塑，汇总基准与评估协议并指出未来方向。
2026-08-27 cs.AI cs.LG
Anomaly Detection in Predictive Maintenance: A New Evaluation Framework for Temporal Unsupervised Anomaly Detection Algorithms
University of Granada（格拉纳达大学）；ArcelorMittal Global R&D（安赛乐米塔尔全球研发中心）
异常检测的研究缺乏一个统一的定义，什么代表一个异常的实例。异常本身性质的离散性导致算法设计和实验的多种范式。预测性维护是一种特殊情况，其中异常表示必须防止的故障。相关的时间序列研究，如离群值和新颖性检测或时间序列分类不适用于这一领域的异常概念，因为它们不是以前没有见过的单一点，可能无法精确注释。此外，由于缺乏注释的异常数据，许多基准是从监督的情况下改编的。为了解决这些问题，我们概括的概念，积极和消极的情况下，以间隔能够评估无监督的异常检测算法。我们还保留了不平衡计划的评估，通过建议的前窗ROC，一个概括的ROC曲线的计算时间序列的情况。我们还适应机制，从一个既定的时间序列异常检测基准建议的概括，以奖励早期检测。因此，该提案为不同的设想方案提供了一个灵活的评价框架。为了证明这个定义的有用性，我们包括了一个由ArcelorMittal公司提供的大数据算法与现实世界时间序列问题的案例研究，并将该建议与评估方法进行了比较。
2021-09-02 cs.LG
G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring
University of Surrey（萨里大学）
基于传感器的远程健康监测用于工业、城市和医疗保健环境，以监测设备的持续运行和人体健康。一个重要的目标是在发现异常事件或不良健康状况时及早干预。在野外，这些异常检测方法受到噪声、标签稀缺性、高维性、可解释性和操作环境的广泛变化的挑战。上下文矩阵配置文件（CMP）是矩阵配置文件（MP）的可配置二维版本，它使用时间序列的所有连续性的距离矩阵来发现模式和异常。CMP被证明是提高MP和其他SOTA方法在检测，可视化和解释真正的异常在嘈杂的现实世界中的数据从不同的域的有效性。它擅长缩小和识别可配置时间尺度的时间模式。然而，CMP不解决跨传感器信息，并且不能缩放到高维数据。我们提出了一种新的，自我监督的基于图的时间异常检测方法，工作在从CMP距离矩阵生成的上下文图。学习的图嵌入对时间上下文的异常性质进行编码。此外，我们评估其他图离群算法相同的任务。假定我们的流水线是模块化的，则图构造、图嵌入的生成和模式识别逻辑都可以基于特定的模式检测应用来选择。我们验证了基于图的异常检测的有效性，并将其与CMP和3种最先进的方法在两个具有不同异常的真实医疗数据集上进行了比较。我们提出的方法表现出更好的召回率，警报率和泛化能力。
2022-11-29 cs.AI cs.LG
Finding Pegasus: Enhancing Unsupervised Anomaly Detection in High-Dimensional Data using a Manifold-Based Approach
University College London（伦敦大学学院）
本文从降维流形视角提出“流形上/流形外”异常检测分类框架，并通过组合多种AD方法在MNIST上实现召回率提升16个百分点且不损失精确率。
2025-02-06 astro-ph.CO cs.LG
Learning Representations of Event Time Series with Sparse Autoencoders for Anomaly Detection, Similarity Search, and Unsupervised Classification
Stanford University；Center for Astrophysics | Harvard \& Smithsonian
针对事件时间序列不规则、非结构化导致难以提取模式的挑战，提出二维和三维张量表示结合稀疏自编码器学习潜在嵌入，支持异常检测、相似性检索、语义聚类和无监督分类等下游任务，并在X射线天文数据上验证了其有效性与通用性。
2025-10-11 astro-ph.HE astro-ph.IM cs.AI
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder
Shanghai Jiao Tong University（上海交通大学）
深度生成模型已经证明了它们在学习潜在表示和建模时间序列的复杂依赖关系方面的有效性。本文提出了一种用于多维时间序列鲁棒估计和异常检测的平滑诱导序贯变分自动编码器（SISVAE）模型。我们的模型是基于变分自动编码器（VAE），其骨干是由一个递归神经网络来捕获潜在的时间序列的生成模型和推理模型的时间结构。具体来说，我们的模型参数化的均值和方差为每个时间戳与灵活的神经网络，从而在一个非平稳模型，可以工作，而无需假设恒定的噪声通常由现有的马尔可夫模型。然而，这种灵活性可能导致模型对异常脆弱。为了实现强大的密度估计，这也可以有利于检测任务，我们提出了一个平滑诱导先验可能的估计。所提出的先验可以作为一个正则化器，在非光滑重建时进行惩罚。我们的模型是有效地学习一种新的随机梯度变分贝叶斯估计。特别地，我们研究了异常检测的两个决策准则：重建概率和重建误差。我们展示了我们的模型在合成数据集和公共真实世界基准上的有效性。
2021-02-02 cs.AI cs.LG
GRAM: An Interpretable Approach for Graph Anomaly Detection using Gradient Attention Maps
School of Electronic Information（电子信息学院）；Wuhan University（武汉大学）；Division of Natural and Applied Sciences（自然与应用科学部）；Duke Kunshan University（昆山杜克大学）
本文提出一种名为GRAM的图异常检测方法，通过提取图神经网络梯度生成的注意力图进行异常评分，结合理论分析与真实数据集评估，证明了其在性能与可解释性上的优越性。
2024-06-26 cs.LG
Composite Convolution: a Flexible Operator for Deep Learning on 3D Point Clouds
Politecnico di Milano（米兰理工大学）；STMicroelectronics（意法半导体）
提出了一种用于3D点云深度学习的灵活算子composite layer，通过提取压缩空间信息并与特征向量结合实现网络设计的灵活性和正则化，基于此构建的CompositeNets在分类、分割和异常检测任务中表现优异。
2024-10-14 cs.CV cs.LG
