A Novel Anomaly Detection Method for Multimodal WSN Data Flow via a Dynamic Graph Neural Network
Guilin University of Electronic Technology（桂林电子科技大学）
异常检测是通过分析无线传感器网络（WSN）数据流的时间和空间特征来判别系统异常的一种方法，是保证WSN可靠性的关键技术之一。目前，图神经网络（GNNs）已成为流行的最先进的方法进行异常检测的无线传感器网络数据流。然而，现有的基于GNNs的异常检测方法没有同时考虑WSN数据流的多节点、多模态、多时间等时空特征，严重影响了其有效性。针对多模态无线传感器网络数据流的异常检测问题，提出了一种新的异常检测模型。该模型利用3个高斯神经网络分别提取无线传感器网络数据流的时间特征、不同模态之间的相关性特征和传感器节点位置之间的空间特征。具体而言，首先，从每个传感器节点提取的时间特征和模态相关特征被融合成一个向量表示，该向量表示进一步与空间特征聚合，即，最后，对传感器网络节点的当前时间序列数据进行预测，并根据融合特征识别异常状态。在公开数据集上的仿真结果表明，该方法的F1值达到0.90，比具有长短期记忆（LSTM）的图卷积网络（GCN）的F1值提高了14.2%.
2022-02-19 cs.AI cs.LG
Scalable Temporal Anomaly Causality Discovery in Large Systems: Achieving Computational Efficiency with Binary Anomaly Flag Data
Department of ICT, University of Agder（阿格德大学信息与通信技术系）；The CMS Experiment, CERN（欧洲核子研究中心（CERN）CMS实验）
本文提出了一种异常因果发现方法（AnomalyCD），旨在解决从时间二进制标志数据集生成图形因果模型（GCMs）的准确性和计算挑战，通过异常数据感知的因果测试、稀疏数据和先验链接压缩以及边修剪调整等策略，提高了计算效率和准确性。
2026-06-04 cs.LG stat.ML
GSLAD: Prototype-Regularized Graph Structure Learning for Multivariate Time Series Anomaly Detection
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
GSLAD通过原型正则化图结构学习，利用结构偏差进行异常评分，在工业基准上验证了其有效性和诊断能力。
2026-09-15 cs.LG
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架，通过建模时间依赖性与不确定性，实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
Intelligent Optimization and Machine Learning Algorithms for Structural Anomaly Detection using Seismic Signals
Ruhr-University Bochum（波鸿鲁尔大学）；Niederrhein University（下莱茵应用科学大学）
针对机械化隧道施工中坚硬障碍物识别难题，本研究结合智能优化、机器学习与参数估计，通过对比结构振动实验测量和数值模拟来检测结构异常。
2024-01-18 cs.LG eess.SP physics.app-ph
Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection
Sandia National Laboratory（桑迪亚国家实验室）
研究针对网络安全中恶意异常活动检测难题，提出混合潜在结构融合（HLSF）框架，整合CP-APR结构异常分数与归一化流潜在空间密度分数，实验证明该框架能提升在特定数据集上的异常检测性能。
2026-07-22 cs.LG
Anomaly Detection Using the Knowledge-based Temporal Abstraction Method
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
存储的面向时间的数据的快速增长需要开发用于处理、处理和解释大量时态数据的新方法。这种处理的一个重要示例是检测面向时间的数据中的异常。基于知识的时态抽象方法是在预先定义的领域知识的基础上提出的时态数据的智能解释方法。在这项研究中，我们提出了一个框架，集成了KBTA方法与时间模式挖掘过程中的异常检测。根据所提出的方法的时间模式挖掘过程中应用的基本时间抽象数据库的数据集，以提取模式代表正常的行为。然后分析这些模式，以识别以极少数正常模式为特征的异常时间段。使用从真实服务器收集的数据集演示了所提出的方法。
2016-12-14 cs.AI cs.LG
Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection
Virginia Tech（弗吉尼亚理工大学）
本文提出通过潜在空间中解耦边际分布、时间动态与变量间依赖，并结合Transformer、copula和自监督对比学习来建模多元时间序列的联合时空模式，以提升异常检测性能。
2025-09-18 cs.LG
Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data
Michigan State University（密歇根州立大学）
时空数据的异常检测是高光谱成像、视频监控、城市交通监控等应用中面临的一个具有挑战性的问题。现有的异常检测方法大多适用于序列数据中的点异常，不能处理时空数据中出现的时间和空间依赖性。近年来，已经提出了基于张量的异常检测方法来解决这个问题。这些方法依赖于传统的张量分解模型，不考虑异常的结构，并且是监督或半监督的。我们引入了一种无监督的基于张量的异常检测方法，该方法考虑了异常的稀疏性和时间连续性。特别是，异常检测问题被制定为一个强大的lowrank +稀疏张量分解与正则化项，最大限度地减少稀疏部分的时间变化，使提取的异常是时间持久的。为了降低优化算法的复杂度，我们还用图总变差最小化来近似秩最小化。由此产生的优化问题是凸的，可扩展的，并对丢失的数据和噪声是强大的。综合和真实的时空城市交通数据，并与基线方法相比，建议的框架进行评估。
2020-10-23 cs.DS cs.LG eess.SP
Unsupervised Anomaly Detection on Temporal Multiway Data
Applied AI Institute, Deakin University（迪肯大学应用人工智能研究所）
时间异常检测寻找时空上的不规则性。到目前为止，所采用的无监督时态模型通常工作在特征向量序列上，而很少工作在时态多路数据上。我们的研究集中在双向数据上，其中在每个时间步观察到一个数据矩阵。利用矩阵原生递归神经网络的最新进展，我们研究了用于时间多路异常检测的数据排列和无监督训练策略。这些包括压缩-解压缩、编码-预测和时间数据差分。我们进行了一系列全面的实验，以评估合成数据、移动数字和ECG记录在各种设置下的模型行为。我们发现了以前没有报道过的有趣现象。其中包括紧凑矩阵LSTM几乎完美地压缩噪声数据的能力，使得压缩-解压缩数据的策略不适合噪声下的异常检测。此外，长序列的向量可以直接通过矩阵模型来处理，该模型允许非常长的上下文和多步预测。总体而言，编码预测策略在所进行的实验中对于矩阵LSTM非常有效，这要归功于其紧凑性和更好地适应数据动态。
2020-09-20 cs.AI cs.LG
Robust PCA for Anomaly Detection and Data Imputation in Seasonal Time Series
Quantmetry（Quantmetry公司）；ENSIIE（法国国立高等工业工程学校）；Université Paris Saclay（巴黎萨克雷大学）
我们提出了一个强大的主成分分析（RPCA）框架，以恢复低秩和稀疏矩阵的时间观测。我们开发了一个在线版本的批量时态算法，以处理更大的数据集或流数据。我们实证比较所提出的方法与不同的RPCA框架，并显示其在实际情况下的有效性。
2022-08-03 cs.LG stat.ML
DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection
University of Macau（澳门大学）；Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities（粤港澳智慧城市联合实验室）
本研究提出DPGIIL聚类框架用于在线结构异常检测，结合深度生成模型与狄利克雷过程混合模型的优势，通过推导更紧的下界实现联合优化，设计加速推理方法并支持增量学习，经案例验证在检测与聚类任务上均优于部分前沿方法。
2025-10-08 cs.LG physics.data-an stat.ML
Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition
Michigan State University（密歇根州立大学）
针对现有时空异常检测方法难捕捉依赖关系、多为有监督且无统计置信度的问题，提出一种结合异常稀疏性与时空平滑性的无监督张量分解方法及统计评分框架，在合成与真实数据上验证了有效性。
2025-10-01 cs.LG stat.ME stat.ML
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
Grid HTM: Hierarchical Temporal Memory for Anomaly Detection in Videos
University of Oslo（奥斯陆大学）；SimulaMet；OsloMet（奥斯陆城市大学）；UiT（特罗姆瑟大学）
视频异常检测系统的兴趣在过去的几年中得到了牵引。当前的方法使用深度学习来执行视频中的异常检测，但是这种方法具有多个问题。对于初学者来说，深度学习通常存在噪声、概念漂移、可解释性和训练数据量等问题。此外，异常检测本身是一项复杂的任务，面临着未知性、异构性和类别不平衡等挑战。因此，使用深度学习的异常检测主要限于生成模型，如生成对抗网络和自动编码器，因为它们的无监督性质，但即使它们也会遇到一般的深度学习问题，并且很难正确训练。在本文中，我们探讨的分层时间记忆（HTM）算法进行异常检测的视频，因为它具有良好的性能，如噪声容忍度和在线学习，打击概念漂移的能力。我们介绍了一个新版本的HTM，即网格HTM，这是一个基于HTM的架构，专门用于异常检测复杂的视频，如监控录像。
2022-05-30 cs.CV cs.LG
Reconciling Attribute and Structural Anomalies for Improved Graph Anomaly Detection
School of Computer and Information Engineering, Henan University（河南大学计算机与信息工程学院）；School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院）；Yangtze Delta Region Institute (Quzhou), University of Electronic Science and Technology of China（电子科技大学长江三角洲地区研究所（衢州））；Quzhou Affiliated Hospital of Wenzhou Medical University, Quzhou People’s Hospital（温州医学院衢州附属医院，衢州人民医院）
针对图异常检测中属性与结构异常的拉锯战问题，提出基于互蒸馏的三通道框架TripleAD，通过多尺度属性估计、链路增强结构估计和属性混合曲率分别检测属性、结构和混合异常，并在实验中验证了其优于强基线的有效性。
2025-06-30 cs.LG cs.SI
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种基于聚类的因果混合器，用于多变量时间序列的在线异常检测，通过聚类处理通道间的相关性，结合因果混合器保持时间因果性，并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
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
Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices
Boston University（波士顿大学）；Carnegie Mellon University（卡内基梅隆大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Hofstra University（霍夫斯特拉大学）；University of Southern California（南加州大学）
本文提出一种结合图神经网络与门控循环单元的微服务异常检测与根因追踪统一框架，通过结构与时序联合建模以及节点和路径级异常评分，在多项指标上优于基线方法。
2025-11-05 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
ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection
Chongqing University（重庆大学）；South China University of Technology（华南理工大学）
针对工业物联网多变量序列的时空耦合与异常离散问题，提出ScatterAD，通过时间、拓扑编码及对比融合建模表征散射，并在多个基准上达到最先进性能。
2025-09-29 cs.AI cs.LG
Spatio-Temporal Graphs Beyond Grids: Benchmark for Maritime Anomaly Detection
Graduate School of Data Science（数据科学研究生院）；Seoul National University（首尔国立大学）
本文提出一个用于海上异常检测的基准数据集，通过引入轨迹合成器和异常注入器，系统评估不同粒度的异常检测方法。
2025-12-23 cs.AI cs.LG
Video Anomaly Detection via Prediction Network with Enhanced Spatio-Temporal Memory Exchange
University of Warwick（华威大学）
视频异常检测是一项具有挑战性的任务，因为大多数异常是稀缺的和不确定的。许多方法研究了正常和异常模式之间的重建差异，但忽略了异常不一定对应于大的重建误差。为了解决这个问题，我们设计了一个卷积LSTM自动编码器预测框架，该框架使用双向性和高阶机制来增强时空存储器交换。双向结构通过前向和后向预测促进学习时间规律性。独特的高阶机制进一步加强了编码器和解码器之间的空间信息交互。考虑到卷积LSTM中有限的感受野，我们还引入了一个注意力模块来突出预测的信息特征。异常最终通过将帧与其相应的预测进行比较来识别。三个流行的基准测试表明，我们的框架优于大多数现有的基于预测的异常检测方法。
2022-06-26 cs.CV cs.LG eess.IV
Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection
University of Mons（蒙斯大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出统一框架ULSAD，通过改进深度特征重建并引入注意力损失机制，高效检测工业图像中的结构与逻辑异常，在五个基准上优于八种先进方法。
2024-10-21 cs.CV cs.LG
TENET: Temporal CNN with Attention for Anomaly Detection in Automotive Cyber-Physical Systems
Colorado State University（科罗拉多州立大学）
现代车辆具有多个电子控制单元（ECU），这些ECU连接在一起作为复杂的分布式网络物理系统（CPS）的一部分。ECU与外部电子系统之间的通信不断增加，使得这些车辆特别容易受到各种网络攻击。在这项工作中，我们提出了一种新的异常检测框架，称为TENET检测车辆上的网络攻击引起的异常。TENET使用具有集成注意力机制的时间卷积神经网络来检测异常攻击模式。TENET能够实现32.70%的假阴性率，19.14%的马修斯相关系数和17.25%的ROC-AUC指标的改善，与汽车异常检测方面表现最好的先前工作相比，模型参数减少了94.62%，内存占用减少了86.95%，推理时间减少了48.14%。
2021-09-09 cs.AI cs.CR 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
Temporal cross-validation impacts multivariate time series subsequence anomaly detection evaluation
Mathematics Division, Oak Ridge National Laboratory（数学系，橡树岭国家实验室）；Intelligence Division, Oak Ridge National Laboratory（智能系，橡树岭国家实验室）
该研究系统探究时间序列交叉验证策略对多元时间序列子序列异常检测分类器性能的影响，对比前向滚动与滑动窗口方法，发现滑动窗口表现更优且不同算法对验证方案敏感性有差异，为时间结构化学习环境的评估策略选择提供指导。
2025-06-13 cs.LG stat.AP stat.ME
Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services
University of Southern California（南加州大学）；Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）；Rice University（莱斯大学）；Trine University（特里恩大学）
针对云服务异常检测中时间建模和尺度感知特征表示的局限性，提出集成多尺度特征感知的Transformer架构方法，通过改进Transformer模块、多尺度特征构建与融合，在关键指标上优于基线模型且鲁棒性强。
2025-08-25 cs.LG
Temporal Convolution-based Hybrid Model Approach with Representation Learning for Real-Time Acoustic Anomaly Detection
University of Colombo School of Computing（科伦坡大学计算机学院）
本文提出结合半监督时间卷积、表示学习与TCN混合模型的实时声学异常检测方法，通过定量指标和t-SNE可视化验证其优于现有研究。
2024-10-25 cs.LG cs.SD eess.AS
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection
La Trobe University（拉筹伯大学）；Monash University（莫纳什大学）；Griffith University（格里菲斯大学）
提出CST-GL方法，通过显式建模变量间成对相关性并利用时空图神经网络，实现多元时间序列异常的有效检测与早期预警。
2023-11-16 cs.LG
Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection
Industrial AI Lab, SimPlatform Co. Ltd.（SimPlatform公司工业AI实验室）；Affiliate Research Institute（附属研究机构）
针对无标签多变量时间序列异常检测中复杂模型不可解释且性能虚高的问题，提出无监督 OracleAD，利用时间因果嵌入、自注意力与 SLS 双重评分实现检测及根因定位。
2026-10-22 cs.AI cs.LG stat.ML
ATM-GAD: Adaptive Temporal Motif Graph Anomaly Detection for Financial Transaction Networks
针对金融交易网络中的时间模体与账户特异异常窗口，本文提出自适应图神经网络 ATM-GAD，结合双注意力和可微时间窗口学习，在四个数据集上优于七个基线。
2025-08-28 cs.LG
Deep Spatio-temporal Sparse Decomposition for Trend Prediction and Anomaly Detection in Cardiac Electrical Conduction
Arizona State University（亚利桑那州立大学）；Texas Tech University（得克萨斯理工大学）
心脏组织之间的电传导通常用偏微分方程建模，即，反应-扩散方程，其中反应项描述细胞刺激，扩散项描述电传播。在这种非线性动态系统中检测和识别产生异常电脉冲的心脏细胞对于有效的治疗和规划是重要的。为了建立非线性动力学模型，仿真已被广泛用于心脏研究和临床研究，以研究心脏疾病的机制和开发新的治疗设计。然而，现有的心脏模型具有很大的复杂性，并且仿真通常是耗时的。我们提出了一种深度时空稀疏分解（DSTSD）方法，以利用深度时空模型绕过耗时的心脏偏微分方程，并检测异常的时间和位置（即，功能障碍的心脏细胞）。这种方法是从Courtemanche-Ramirez-Nattel（CRN）模型生成的数据集进行验证的，CRN模型广泛用于模拟跨神经元膜跨膜电位的传播。建议的DSTSD达到最好的时空平均趋势预测和异常检测的准确性。
2021-09-20 cs.AI cs.LG eess.SP
Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective
本文针对图对比学习在异常检测中对结构不平衡鲁棒性不足的问题，提出AD-GCL框架，通过邻居剪枝、异常引导邻居补全及视图一致性损失，提升对头部和尾部异常节点的检测能力。
2025-07-19 cs.LG
Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware
Nanjing University of Science and Technology（南京理工大学）；Southeast University（东南大学）
本文提出一种融合异常感知的全局时空交通预测算法，通过异常因素影响模块和多尺度时空特征融合模块捕捉长期与短期相关性，在PEMS04和PEMS08数据集上取得最优性能。
2024-12-19 cs.AI cs.LG
Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping
University of Illinois at Urbana-Champaign (UIUC)（伊利诺伊大学厄巴纳-香槟分校）；Pohang University of Science and Technology (POSTECH)（浦项科技大学）
最近关于检测和定位时态异常的研究主要采用深度神经网络以无监督的方式学习时态数据的正常模式。与它们不同的是，我们的工作目标是充分利用实例级（或弱）异常标签，这些标签仅指示在每个时态数据实例中是否发生了任何异常事件。在本文中，我们提出了WETAS，一个新的框架，有效地识别异常的时间段（即，连续的时间点）。WETAS从实例级标签中学习判别特征，以便推断每个实例中正常和异常段的顺序，这可以用作粗略的分割掩码。WETAS通过对输入实例与其分割模板进行动态时间规整（DTW）对齐，得到时间分割结果，同时利用模板作为额外的监督，进一步增强了WETAS。我们的实验表明，WETAS在时间异常的定位方面大大优于其他基线，并且它提供了比点级检测方法更丰富的结果。
2021-08-15 cs.AI cs.CV cs.LG
Spatial-Temporal Anomaly Detection for Sensor Attacks in Autonomous Vehicles
Oxford e-Research Center, University of Oxford（牛津大学牛津电子研究中心）
超声波、激光雷达和雷达等飞行时间（ToF）距离测量设备广泛应用于自动驾驶汽车，用于环境感知、导航和辅助制动控制。尽管它们在做出更安全的驾驶决策方面相对重要，但这些设备容易受到多种攻击类型的攻击，包括欺骗，触发和错误数据注入。当这些攻击成功时，它们可能会危及自动驾驶汽车的安全，从而对驾驶员、附近车辆和行人造成严重后果。为了处理这些攻击和保护测量设备，我们提出了一个时空异常检测模型\textit{STAnDS}，它结合了一个残差空间检测器，基于时间的预期变化检测。使用模拟定量环境对该方法进行了评估，结果表明\textit{STAnDS}在检测多种攻击类型方面是有效的。
2022-12-15 cs.CR cs.LG cs.SY
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach
Insight SFI Centre for Data Analytics（Insight SFI数据分析中心）；Dublin City University（都柏林城市大学）；Tobii Corporation（Tobii公司）
本文提出一种统一视频异常检测方法，利用潜在扩散模型修复和光流mixup生成通用时空伪异常，并通过重建质量、时间不规则性和语义不一致性三类指标在单类分类设置下检测异常，在多个基准数据集上取得与现有方法相当的性能。
2024-04-07 cs.AI cs.CV cs.LG
MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for Time Series Anomaly Detection
East China Normal University（华东师范大学）
针对多模态时间序列异常检测中未显式建模模态间时空关系的问题，提出MST-GAT网络，结合图注意力与时序卷积捕获相关性，在四个基准上优于现有方法并提升可解释性。
2023-10-17 cs.AI cs.LG
Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators
Machine Learning Group, TU Berlin（柏林工业大学机器学习组）；BIFOLD, Berlin, Germany（柏林BIFOLD研究所）
针对现有异常检测方法在流形支持数据上的局限性，提出基于投影算子的几何视角，将异常定义为投影残差，统一了重建方法并提升了性能。
2026-06-24 cs.LG
CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency
Stony Brook University（纽约州立大学石溪分校）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Yale University（耶鲁大学）；Queen Mary University of London（伦敦大学玛丽皇后学院）
针对复杂工业系统异常检测中常忽略内部因果关系的问题，提出CAAD框架，通过外生变量持续验证格兰杰因果一致性，利用多尺度对齐和梯度矩阵监测因果关系，在真实工业数据集实验中实现高精度异常检测，优于多数基线方法。
2026-07-10 cs.LG
TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations
本文提出基于重建的异常检测方法，通过2D和3D自编码器在集成和时间依赖模拟中识别异常模式，强调时空上下文对动态模拟异常检测的重要性。
2026-01-13 cs.AI cs.CV cs.LG
Evaluating Temporal and Structural Anomaly Detection Paradigms for DDoS Traffic
Institute of Exact and Technological Sciences（精确与技术科学研究所）；Federal University of Viçosa（弗雷塔斯联邦大学）；Department of Informatics -- School of Engineering（信息学院 -- 工程学院）；University of Minho（明霍大学）；University of São Paulo（圣保罗大学）
本文通过实验比较了时序和结构特征在DDoS检测中的表现，发现结构特征更优，且在时序依赖减弱时性能差距扩大。
2026-04-17 cs.AI cs.LG
Temporal anomaly detection: calibrating the surprise
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；IBM Security Division（IBM安全事业部）
我们提出了一种混合的方法来检测时间异常的访问数据的用户数据库-或更一般地说，任何类型的主题-对象共现数据。我们考虑一个高维的设置，也需要在测试时的快速计算。我们的方法基于单个静态模型来识别异常，而不是需要完整的时间模型，这在这种情况下是禁止的。我们从训练数据中学习一个低秩平稳模型，然后拟合一个回归模型来预测未来正常访问模式的期望似然得分。预测的可能性得分和观察到的可能性得分之间的差异被用来评估测试时的“惊喜”。该方法能够校准异常分数，使得时变正常行为模式不被认为是异常的。我们提供了算法的详细描述，包括收敛性分析，并报告令人鼓舞的实证结果。我们测试的数据集之一，TDA，对于公共领域来说是新的。它包括两个月的数据库访问记录从一个活的系统。我们的代码可在https://github.com/eyalgut/TLR_anomaly_detection.git上公开获取。TDA数据集可在https://www.kaggle.com/eyalgut/binary-traffic-matrices上获得。
2018-11-20 cs.CR cs.LG
Latent Geometry as a Structural Monitor: Eigenspace Alignment for Anomaly Detection in Anonymity Networks
USPTO（美国专利局）
本文提出利用潜在几何结构来监测匿名网络中的异常，通过特征空间对齐方法检测行为群体中的异常模式，展示了在Tor网络中通过双观察者流程识别稳定九维负载子空间的方法，并验证了其结构稳定性。
2026-05-19 cs.CR cs.LG
Temporal transformer CAN encoder with federated lightweight heads for anomaly detection
ANADELTA P.C.（ANADEL塔公司）；Harokopio University of Athens（阿萨索皮奥雅典大学）
该研究提出一种带联邦轻量头的时间Transformer CAN编码器框架，用于车载网络异常检测，结合联邦学习与时间序列建模，在保障隐私和效率的同时实现稳健检测。
2026-10-09 cs.CR cs.LG
Motion-Aware Feature for Improved Video Anomaly Detection
University of California, Merced（加州大学默塞德分校）
出于我们的观察，运动信息是视频中良好的异常检测性能的关键，我们提出了一个时间增强网络来学习运动感知功能。仅此功能就可以实现与以前最先进的方法竞争的性能，并且当与它们结合时，可以实现显着的性能改进。此外，我们将时间上下文的多实例学习（MIL）的排名模型，通过使用一个注意力块。学习的注意力权重可以帮助更好地区分异常和正常视频片段。通过提出的运动感知功能和时间MIL排名模型，我们在UCF Crime数据集中的异常检测和异常动作识别任务上都大大优于以前的方法。
2019-07-24 cs.CV cs.LG eess.IV
A Novel Self-Supervised Learning-Based Anomaly Node Detection Method Based on an Autoencoder in Wireless Sensor Networks
Fujian University of Technology（福建理工大学）
针对现有基于无线传感器网络（WSN）的异常检测方法只考虑和分析时间特征的问题，设计了一种基于自动编码器的自监督学习异常节点检测方法。该方法将时间传感器网络数据流特征提取、空间位置特征提取和通道间相关性特征提取集成到自动编码器的设计中，充分利用传感器网络的时空信息进行异常检测。首先，一个完全连接的网络被用来提取节点的时间特征，从局部空间的角度考虑一个单一的模式。其次，采用图神经网络（GNN）从全局空间角度引入WSN拓扑结构进行异常检测，提取节点及其邻居节点数据流的时空特征。然后，采用加权求和的自适应融合方法提取不同模型之间的相关特征。此外，本文还引入了门控递归单元（GRU）来解决时间维的长期依赖问题。最后，解码器的重构输出和自动编码器的隐藏层表示被馈送到一个完全连接的网络中，以计算当前系统的异常概率。由于空间特征提取操作的先进性，所设计的方法可以应用于大规模网络异常检测任务，通过添加聚类操作。实验结果表明，该方法的性能优于基线，F1得分达到90.6%，比现有的基于无监督重构和预测的异常检测方法提高了5.2%.代码和型号可在https://github.com/GuetYe/anomaly_detection/GLSL上获得
2022-12-26 cs.AI cs.LG
A Temporal Anomaly Detection System for Vehicles utilizing Functional Working Groups and Sensor Channels
Mississippi State University（密西西比州立大学）
本文提出VePRO数据集及基于TCN的多阶段车辆异常检测方法，融合多个功能工作组的传感器通道，实现96%检测准确率和91%真实异常预测率。
2022-09-14 cs.AI cs.LG cs.NE
Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data
BITS Pilani（皮尔尼理工学院）
该研究针对资源受限的非平稳生理时间序列异常检测问题，提出ORCA框架，通过监督控制器动态调整时间感受野，在WBAN和MIMIC-IV数据集上实现稳健性能，无需预调时间范围。
2026-08-11 cs.AI cs.LG
Modeling Spectral Energy Shifts in Spatio-Temporal Graph Anomaly Detection
Department of Computation, University of Torontoland, Torontoland, Canada（计算系，托伦托兰大学，加拿大）；School of Computation, University of Edenborrow, Edenborrow, United Kingdom（计算学院，伊登伯恩大学，英国）；College of Connected Computing, Vanderbilt University, Nashville, USA（连接计算学院，范德比大学，美国）；Department of Civil and Environmental Engineering, Electrical and Computer Engineering, Vanderbilt University, Nashville, USA（土木与环境工程系，电气与计算机工程系，范德比大学，美国）
针对现有频谱方法无法检测伪装异常（能量变化减小的异常）的问题，提出节点级频谱能量公式和能量感知图学习框架，通过能量驱动消息传递建模静态与时序图中的频谱偏移，实现伪装异常检测。
2026-08-13 cs.LG
Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems
Arizona State University（亚利桑那州立大学）；University of Kansas（堪萨斯大学）
针对信息物理系统中传统异常检测方法易受分布偏移和类别不平衡影响的问题，提出基于因果图的异常检测框架 CGAD，通过动态贝叶斯网络学习因果不变图结构并利用结构差异检测异常，在四个工业数据集上显著提升了 F1 和 ROC-AUC 得分。
2025-08-13 cs.CR cs.LG
Self-Supervised Spatial-Temporal Normality Learning for Time Series Anomaly Detection
Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究院）；Chongqing School, University of Chinese Academy of Sciences（中国科学院大学重庆学院）；Intelligent Game and Decision Lab (IGDL)（智能游戏与决策实验室）；Singapore Management University（新加坡管理大学）
针对现有时间序列异常检测忽略空间语义的问题，提出STEN方法，结合时间顺序预测与空间距离预测学习正常模式，在五个基准上显著超越现有方法。
2024-06-28 cs.AI cs.LG
VISTA: Unsupervised 2D Temporal Dependency Representations for Time Series Anomaly Detection
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；University of Glasgow（格拉斯哥大学）；University College London（伦敦大学学院）；Collaborative Innovation Center for Transport Studies, Dalian Maritime University（大连海事大学交通协同创新中心）；Department of Electric Engineering, Tsinghua University（清华大学电机工程系）；Shenzhen Skyworth AI Co. ,Ltd（深圳创维人工智能有限公司）
提出无需训练的无监督TSAD算法VISTA，通过STL分解、时间自注意力和多变量聚合构建二维依赖表示，在五个基准上达到SOTA。
2025-04-03 cs.IT cs.LG math.IT
