FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection
Guangxi University（广西大学）；Griffith University（格里菲斯大学）
本文提出FedCIGAR，通过图重建和自适应门控机制提升联邦图级异常检测的泛化能力与鲁棒性。
2026-05-10 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
EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly Detection in Multivariate Time Series
Curtin University（科廷大学）
EdgeConvFormer通过结合Time2vec、动态图CNN和Transformer，解决Transformer异常检测中数据需求大、位置编码不适用及忽视序列间依赖的问题，并在多尺度真实数据集上实现更优的异常检测性能。
2023-12-04 cs.LG
Federated Anomaly Detection for Multi-Tenant Cloud Platforms with Personalized Modeling
Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）；New York University（纽约大学）；Northwestern University（西北大学）
本文提出一种基于联邦学习的多租户云平台异常检测方法，通过个性化参数调整机制和马氏距离计算异常分数，在保护数据隐私的同时提升了检测准确性与鲁棒性。
2025-08-14 cs.LG
Efficient Personalized Federated PCA with Manifold Optimization for IoT Anomaly Detection
School of Mechatronic Engineering and Automation, Shanghai University（机电工程与自动化学院，上海大学）；School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学）
本文提出FedEP方法，通过ℓ1和ℓ2,1范数实现个性化和鲁棒性，用于提升物联网异常检测的性能。
2026-02-13 cs.LG
Do Deep Neural Networks Contribute to Multivariate Time Series Anomaly Detection?
Orange（Orange公司）；EURECOM（欧洲通信学院）；Orange Labs（Orange实验室）
时间序列的异常检测是一个复杂的任务，已被广泛研究。近年来，无监督异常检测算法的能力受到了广泛关注。这种趋势导致研究人员在他们的文章中只比较基于学习的方法，放弃了一些更传统的方法。因此，该领域的社区被鼓励提出越来越复杂的基于学习的模型，主要基于深度神经网络。据我们所知，在传统的、基于机器学习的和深度神经网络方法用于检测多变量时间序列中的异常之间没有比较研究。在这项工作中，我们研究了16个传统的，基于机器学习和深度神经网络方法在五个真实世界的开放数据集上的异常检测性能。通过分析和比较的性能的16种方法，我们表明，没有家庭的方法优于其他。因此，我们鼓励社区将这三类方法重新纳入多变量时间序列基准的异常检测中。
2022-04-04 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
Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA（弗劳恩霍夫研究所）
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法，通过加权物理信息损失学习物理依赖的时间分布，实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
RoLA: A Real-Time Online Lightweight Anomaly Detection System for Multivariate Time Series
Hogskulen pa Vestlandet (HVL)（西挪威大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文提出RoLA系统，通过分治策略、并行处理和多数表决规则，利用多个轻量级检测器实时在线检测多变量时间序列异常，并在公开数据集上验证了其检测精度与轻量级性能。
2023-05-25 cs.LG
FadMan: Federated Anomaly Detection across Multiple Attributed Networks
Tianjin University（天津大学）；WeBank（微众银行）
异常子图检测已广泛应用于各种应用中，从计算机网络中的网络攻击到社交网络中的恶意活动。尽管越来越需要跨多个属性网络的联合异常检测，但只有有限数量的方法可用于此问题。联邦异常检测面临两个主要挑战。一个是大多数行业中的孤立数据限制与其他人共享，以保护数据隐私和安全。另一种是基于数据集成的集中式培训方法。联合异常检测的主要思想是将本地数据所有者的私有异常与服务器中属性网络的公共异常进行对齐，通过公共异常联合本地异常。在每个私有属性网络中，检测到的异常子图与公共属性网络中的异常子图对齐。在防止本地私有数据泄漏的同时，选择显著的公共异常子图用于联合私有异常。FadMan算法是一个垂直的联邦学习框架，适用于公共节点和多个不同特征的私有节点的联合学习，并在多属性网络上的异常检测和无属性网络上的异常检测两个任务上进行了验证。在第一种情况下，FadMan在10%的噪声水平下至少有12%的准确率优于竞争对手的方法。在第二种情况下，通过分析异常节点的分布，我们发现流量异常的节点与同一天的考研事件相关联。
2022-05-27 cs.AI cs.LG
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
Anomaly Detection for Sparse and Irregular Multivariate Time Series with Latent SDEs
Josef Ressel Centre for Intelligent and Secure Industrial Automation, University of Applied Sciences, Salzburg, Austria（约瑟夫·雷斯尔智能与安全工业自动化中心，应用科学大学，萨尔茨堡，奥地利）；University of Salzburg, Austria（萨尔茨堡大学，奥地利）
针对现实世界中稀疏、不规则采样的多元时间序列，提出基于潜在随机微分方程的生成方法，将观测投影到连续时间随机动力系统，处理缺失和不规则采样，并捕获循环行为，在六个基准数据集上取得最优结果。
2026-06-18 cs.LG
Coupled Attention Networks for Multivariate Time Series Anomaly Detection
针对多元时间序列中传感器变量依赖动态变化的异常检测难题，提出融合自适应图学习与图注意力的耦合注意力网络CAN，结合多级编解码架构，在真实数据集上性能显著优于现有最优基线。
2023-06-12 cs.LG
Towards Meaningful Anomaly Detection: The Effect of Counterfactual Explanations on the Investigation of Anomalies in Multivariate Time Series
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
检测罕见事件在各个领域都是必不可少的，例如，在网络安全或维护方面。通常，人类专家由异常检测系统支持，因为连续监视数据是一项容易出错且繁琐的任务。然而，在检测到的异常中可能有罕见的事件，例如，机器的计划停机，但不是实际关注的事件，例如，机器的故障。因此，需要人类专家来验证检测到的异常是否相关。我们建议通过提供异常检测的解释来支持这种异常调查。相关工作只关注可解释异常检测的技术实现，而忽略了后续的人为异常调查。为了解决这一研究空白，我们进行了一项行为实验，使用纽约市的出租车乘坐记录作为测试平台。要求参与者将极端天气事件与其他异常事件（如假期或体育赛事）区分开来。我们的研究结果表明，提供反事实的解释，提高了调查的异常，表明潜在的解释异常检测一般。
2023-02-07 cs.LG
Prospective Multi-Graph Cohesion for Multivariate Time Series Anomaly Detection
University of Waterloo（滑铁卢大学）
本文提出前瞻性多图凝聚框架PMGC，通过融合长期静态图与短期动态图并引入前瞻性构图策略，提升多变量时间序列异常检测性能。
2025-09-21 cs.LG
Federated Anomaly Detection over Distributed Data Streams
FEUP（波尔图大学工程学院）；INESC TEC（葡萄牙国家能源与电网研究所）；FCUP（波尔图大学理学院）；FEP（波尔图大学经济学院）
例如，由于隐私立法和法规以及其他重要的道德问题，即使在高聚合水平上，电信网络数据的共享如今也受到高度限制。它导致数据分散在机构、地区和州之间，抑制了人工智能方法的使用，否则这些方法可以大规模利用数据。它需要建立一个平台来控制这些数据，建立模型或执行计算。在这项工作中，我们提出了一种方法来建立异常检测，联邦学习和数据流之间的桥梁。这项工作的首要目标是在分布式数据流上检测联邦环境中的异常。这项工作通过在异常检测的联邦学习设置中调整数据流算法，并通过提供一个强大的框架和在真实世界的分布式部署场景中演示实际可行性，补充了最先进的技术。
2022-05-17 cs.DC cs.LG
Adversarial-Robust Multivariate Time-Series Anomaly Detection via Joint Information Retention
McGill University（麦吉尔大学）；MILA - Quebec AI Institute（MILA - 魁北克人工智能研究所）
本文提出ARTA框架，通过对抗训练提升时间序列异常检测的鲁棒性，实验表明其在多种数据集上表现优异，噪声增加时降解更温和。
2026-03-26 cs.LG
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data
Imperial College London（帝国理工学院）；Loughborough University（拉夫堡大学）
多变量时间序列数据的有效异常检测与诊断对于现代工业应用具有重要意义。然而，建立一个能够快速准确地查明异常观测的系统是一个具有挑战性的问题。这是由于缺乏异常标签，高数据波动性和现代应用中超低推理时间的需求。尽管用于异常检测的深度学习方法最近有所发展，但只有少数方法可以解决所有这些挑战。在本文中，我们提出了TranAD，一个基于深度Transformer网络的异常检测和诊断模型，该模型使用基于注意力的序列编码器，利用数据中更广泛的时间趋势知识快速进行推理。TranAD使用基于焦点分数的自调节来实现鲁棒的多模态特征提取和对抗训练以获得稳定性。此外，与模型无关的元学习（MAML）允许我们使用有限的数据训练模型。对六个公开数据集的广泛实证研究表明，TranAD可以通过数据和时间有效的训练在检测和诊断性能方面优于最先进的基线方法。具体而言，与基线相比，TranAD将F1分数提高了17%，将训练时间减少了99%。
2022-05-14 cs.LG
Federated Attention Autoencoders with a Stochastic Aggregation Scheme for Anomaly Detection
针对联邦学习中基于注意力的自编码器缺乏适配聚合函数的问题，提出两种新型聚合函数，在KDDCUP10数据集上较传统自编码器实现了F1分数最高2.9%、AUC ROC最高5.1%的提升。
2026-08-11 cs.LG
Federated Isolation Forest for Efficient Anomaly Detection on Edge IoT Systems
University of Novi Sad（诺维萨德大学）
本研究基于现有联邦学习框架开发了面向MicroPython边缘物联网设备的孤立森林温度异常检测系统，在低内存占用下实现了高准确率与精确率，兼顾资源适配性与数据隐私。
2025-09-04 cs.DC cs.LG
Multivariate Anomaly Detection based on Prediction Intervals Constructed using Deep Learning
University of the Witwatersrand（金山大学）；University of Johannesburg（约翰内斯堡大学）
事实证明，在某些情况下，深度学习模型在预测方面可以优于传统的统计方法。此外，已经开发了用于量化预测不确定性（预测区间）的各种技术。在本文中，我们利用人工神经网络的帮助下构建的预测区间检测异常的多元设置。现有的基于深度学习的异常检测方法的挑战包括$(i)$可能是计算密集型的参数的大集合，$(ii)$返回太多的假阳性，使得该技术不实用，$(iii)$需要标记的数据集用于训练，这在现实生活中通常不普遍。我们的方法克服了这些挑战。我们将我们的方法与通常首选的成熟统计模型进行基准测试。我们重点研究了三种深度学习架构，即级联神经网络、水库计算和长短期记忆递归神经网络。我们的发现是深度学习优于后者（或者至少是竞争对手）。
2021-10-07 cs.LG
Energy-Efficient Hierarchical Federated Anomaly Detection for the Internet of Underwater Things via Selective Cooperative Aggregation
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
本文提出了一种节能分层联邦学习框架，通过传感器到雾节点关联、压缩模型更新传输和选择性协作聚合，解决水下通信带宽低、能耗高导致的异常检测难题，提升参与度并降低能耗。
2026-03-25 cs.LG
Moon: A Modality Conversion-based Efficient Multivariate Time Series Anomaly Detection
College of Computer Science, Zhejiang University（浙江大学计算机科学学院）；Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系）；Department of Computer Science, Aalborg University（奥胡斯大学计算机科学系）
针对现有多变量时间序列异常检测方法的阈值依赖、标签利用不足、局部关系捕捉弱等问题，提出基于模态转换的Moon框架，融合数值与图像特征，实现更高效准确且可解释的异常检测。
2025-10-02 cs.LG
Open-Set Multivariate Time-Series Anomaly Detection
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出MOSAD框架，通过少量标注异常样本和异常感知对比头构建共享表示空间，解决开放集多变量时间序列异常检测问题，并在三个真实数据集上取得最优性能。
2024-08-07 cs.LG
Unsupervised Anomaly Detection in Multivariate Time Series across Heterogeneous Domains
Ecole Polytechnique（巴黎综合理工学院）
针对AIOps场景中多元时间序列正常行为域偏移问题，提出基于域泛化的DIVAD方法学习域不变表示，在Exathlon等基准上F1分数显著提升。
2025-03-29 cs.LG
Federated Low-Rank Koopman Learning for Multivariate Time-Series Anomaly Detection in IoT Systems
University of Technology Sydney（悉尼科技大学）；FPT University（越南邮电大学）；Hanoi University of Science and Technology（河内科技大学）
研究物联网系统多变量时间序列异常检测问题，提出FedKAD框架，通过轻量级滑动窗口库普曼表示学习正常时间动态，经联邦训练优化共享表示，实验表明其检测性能良好且适用于资源受限的边缘设备。
2026-07-13 cs.LG eess.SP
Entropy Causal Graphs for Multivariate Time Series Anomaly Detection
Institute of Innovation, Science and Sustainability（创新、科学与可持续性研究所）；Federation University Australia, Australia and CSIRO's Data61（联邦大学澳大利亚分校和CSIRO的数据61）；Federation University Australia（联邦大学澳大利亚分校）；RMIT University（皇家墨尔本理工学院）
针对现有多元时间序列异常检测忽略变量间因果关系的问题，提出基于传递熵构建因果图并结合加权图卷积与因果卷积的CGAD框架，在真实数据集上平均提升9%。
2025-08-08 cs.AI cs.LG
DeCorus: Hierarchical Multivariate Anomaly Detection at Cloud-Scale
IBM Research Haifa（IBM海法研究院）
多变量异常检测可以用于识别计算系统的大量遥测数据内的中断。然而，开发一个有效的异常检测器，可以为用户提供相关的信息是一个具有挑战性的问题。我们介绍我们的方法，分层多元异常检测称为DeCorus，统计多元异常检测器，实现线性复杂度。它扩展了标准的统计技术，以提高其在噪声信号中发现相关异常的能力，并利用系统操作员通常拥有的领域知识类型来计算系统级异常分数。我们描述了DeCorus的实现，DeCorus是一个在线日志异常检测工具，用于在云服务提供商处部署的网络设备系统日志消息。我们使用真实世界的数据集，包括$1.5$十亿网络设备系统日志消息和数百个事件票的特点的性能DeCorus和比较其能力，检测事件与五个替代异常检测器。虽然DeCorus优于其他异常检测器，但它们都受到我们数据集的挑战。我们将分享DeCorus如何在现场提供价值，以及我们计划如何提高其事件检测准确性。
2022-02-14 cs.DC cs.LG
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
Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection
McGill University（麦吉尔大学）
时空交通数据（例如，链路速度/流量）可以被组织为具有附加空间属性的多变量时间序列。分析这些数据的一个关键任务是从具有复杂空间和时间依赖性的数据中识别和检测异常观测和事件。鲁棒主成分分析（RPCA）是一种广泛使用的异常检测工具。然而，传统的RPCA纯粹依赖于全局低秩假设，而忽略了局部时间相关性。有鉴于此，本研究提出了一个Hankel结构的张量版本的RPCA时空数据的异常检测。我们将具有异常的原始数据视为多变量时间序列矩阵（位置$\times$时间），并假设去噪矩阵具有低秩结构。然后，我们通过应用时间Hankel化将低秩矩阵变换为三阶张量。最后，我们分解成一个低秩的汉克尔张量和稀疏矩阵的腐败矩阵。通过Hankel化操作，该模型可以同时捕获全局和局部时空相关性，表现出更强的鲁棒性。我们将该问题描述为一个优化问题，并使用张量核范数（TNN）来近似张量秩，并使用$l_1$范数来近似稀疏性。我们开发了一个有效的解决方案的算法的基础上交替方向的乘法器（ADMM）。尽管有三个超参数，但该模型在实践中很容易设置。利用合成数据和地铁客流时间序列对该方法进行了验证，结果表明该方法具有较好的异常检测效果。
2021-10-08 cs.LG
Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction
Beijing Jiaotong University（北京交通大学）
由于当今IT监控系统的维度和复杂性的增加，在没有人工监督的情况下检测多变量时间序列的异常仍然是一个具有挑战性的问题。无监督时间序列异常检测的最新进展主要使用深度自编码器来解决这个问题，即在正常样本上进行训练，并在异常输入上产生显著的重建误差。然而，在实践中，由于神经网络的强大功能，自编码器可以很好地重建异常。此外，这些方法对于识别非点异常（例如，上下文异常和集体异常）可能是无效的，因为它们仅利用逐点重建目标。为了解决上述问题，我们提出了MemAAE（\textit{Memory-augmented Adversarial Autoencoders with Deep Reconstruction and Prediction}），一种新的无监督的时间序列异常检测方法。通过联合训练两个互补的代理任务，重建和预测，与共享的网络架构，我们表明，通过多个任务检测异常获得优越的性能，而不是单任务训练。此外，引入压缩记忆模块来保存正常模式，避免对异常输入的意外泛化。通过广泛的实验，MemAAE在四个公共数据集上的总体F1得分为0.90，显著优于最佳基线0.02。
2021-10-15 cs.LG
GDformer: Going Beyond Subsequence Isolation for Multivariate Time Series Anomaly Detection
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；China Mobile (Jiangxi) Virtual Reality Technology Co., Ltd.（中国移动（江西）虚拟现实技术有限公司）；Salesforce AI Research（Salesforce AI研究）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
提出全局字典增强Transformer（GDformer），通过基于字典的交叉注意力机制学习整个序列中所有正常点的全局表示，并利用原型捕获正常点-全局相关权重分布，实现基于表示相似性的统一检测准则，在五个基准数据集上达到最先进性能。
2026-05-24 cs.LG
FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；RPTU Kaiserslautern-Landau（凯撒斯劳滕-兰道工业大学）
本文提出FedAD-Bench统一基准，系统评估联邦学习环境下的无监督异常检测方法，揭示联邦正则化效应及关键挑战，为后续研究提供标准化比较平台。
2024-08-08 cs.AI cs.LG
CLEANet: Robust and Efficient Anomaly Detection in Contaminated Multivariate Time Series
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；HUAWEI（华为）
针对多元时间序列异常检测中训练数据污染和推理低效的问题，提出CLEANet框架，采用污染弹性训练框架和轻量级共轭MLP，在五个数据集上F1提升高达73.04%，运行时间降低81.28%。
2025-10-26 cs.LG
LEARN-TS: LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Multivariate Time-Series Anomaly Detection
Korea University（高丽大学）
LEARN-TS利用冻结语言模型构建角色分离的语义表示，通过窗口特定观测语义和固定正态性提示指导掩码重构，实现无需外部文本的多元时间序列异常检测，在四个基准上取得领先性能。
2026-10-01 cs.LG
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
Anomaly Detection for Multivariate Time Series on Large-scale Fluid Handling Plant Using Two-stage Autoencoder
Toshiba Corporation（东芝公司）
本文重点研究了具有动态组件的大型流体处理工厂（如发电厂、水处理厂和化工厂）中多变量时间序列数据的异常检测，这些工厂同时观察到来自各种物理现象的信号。在这些工厂中，鉴于熟练工程师人数减少和人力短缺，对异常检测技术的需求正在增加，以降低运营和维护成本。然而，考虑到高维信号的复杂行为和对可解释性的需求，这些技术构成了一个重大挑战。我们介绍了一个两阶段自动编码器（TSAE）作为一种异常检测方法适用于这样的工厂。这是一种简单的自动编码器架构，使异常检测更具有可解释性和更准确性，其中基于植物信号可以分离为两个几乎没有相互关联的行为的前提下，信号以逐步的方式分离为长期和短期分量，并且两个分量独立训练，以提高对正常信号的推断能力。通过对两个公开的水处理系统数据集的实验，我们已经证实了高检测性能，前提的有效性，以及模型行为的预期，即，TSAE的技术有效性。
2022-05-20 cs.LG
MELODY: Robust Semi-Supervised Hybrid Model for Entity-Level Online Anomaly Detection with Multivariate Time Series
AWS AI Labs（亚马逊人工智能实验室）
针对软件部署实体级异常检测中异构性、低延迟、定义模糊和标注有限等挑战，本文提出半监督混合模型MELODY，通过在线特征提取与深度单类模型实现异常检测，在真实云数据上F1相对提升7.6%至56.5%。
2024-06-06 cs.LG
JAPE: Joint Anomaly Prediction and Intrinsic Explanation in Multivariate Time Series
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）；School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院）
JAPE是首个联合异常预测与解释的多变量时间序列框架，通过解耦时空建模等技术提升预测性能与可解释性，在五个真实基准上实现F1、AUC-PR及MRR的显著提升。
2026-08-18 cs.LG
CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series
Tsinghua University（清华大学）
提出CICADA框架，通过混合专家、选择性元学习、自适应扩展和分层注意力四项创新，解决多变量时间序列跨域异常检测中的分布偏移与泛化问题，并在性能和可解释性上超越现有方法。
2025-05-01 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
Multivariate Time Series Anomaly Detection in Industry 5.0
University of Ferrara（费拉拉大学）；Bonfiglioli S.P.A.（邦菲利奥利股份公司）
针对工业5.0环境下多变量时间序列异常检测面临的海量数据、噪声及标签问题，提出结合嵌入模型与机器学习的框架，在真实工厂数据下验证其抗噪性能优于传统自编码器。
2025-03-20 cs.LG
A Framework for Verifiable and Auditable Federated Anomaly Detection
Bruno Kessler Foundation（布鲁诺·凯斯勒基金会）；IBM Research（IBM研究院）
联邦学习是一种新兴的方法来管理一组代理之间的合作，以解决机器学习任务，其目标是在不泄露任何数据的情况下提高每个代理的性能。在本文中，我们提出了一种新的算法架构，在异常检测（或分类或罕见事件）的特定情况下解决这个问题，典型的应用程序通常包括具有合理信息的数据，但异常示例的稀缺性鼓励合作。我们展示了如何使用随机森林作为一种工具，用于开发准确的分类器，并具有有效的见解共享机制，不会破坏数据的完整性。此外，我们还解释了新架构如何容易地集成到区块链基础设施中，以确保算法的可验证和可审计执行。此外，我们还讨论了这项工作如何为本文中讨论的特定任务和架构之外的联邦集成学习方法的设计奠定基础。
2022-03-15 cs.CR cs.LG
Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks
Global AI Accelerator (GAIA), Ericsson（全球人工智能加速器（GAIA），爱立信）
针对多变量异常检测缺乏可解释、可落地的业务规则的问题，本文提出一种适配无线接入网场景、支持离散和时间序列数据的半自治异常规则挖掘器，可将异常模式映射为可执行规则。
2025-01-11 cs.AI cs.LG
Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series
Department of Electrical and Electronic Engineering, Imperial College London（电子工程系，帝国理工学院伦敦分校）；Centre for Quantum Engineering, Science and Technology (QuEST), Imperial College London（量子工程、科学与技术中心（QuEST），帝国理工学院伦敦分校）；Graduate Institute of Applied Physics, National Taiwan University（应用物理研究所，国立台湾大学）
针对多元IoT时间序列异常检测中的隐私与非线性问题，提出FQKL框架，结合量子特征图与联邦聚合，在异构边缘节点本地计算核统计量并共享至中央服务器构建全局Gram矩阵训练决策函数，实验证明其泛化能力更优且显著降低通信开销。
2025-11-04 cs.AI cs.LG quant-ph
Modeling Quantum Federated Autoencoder for Anomaly Detection in IoT Networks
School of Information Technology Deakin University Geelong, Australia（信息技术学院，德金大学，澳大利亚吉朗）；School of Information Technology Deakin University Geelong, Melbourne（信息技术学院，德金大学，澳大利亚吉朗墨尔本）；School of Information Technology, Deakin University, Geelong, Australia（信息技术学院，德金大学，澳大利亚吉朗）
本文提出一种利用量子联邦学习进行高效安全分布式处理的量子联邦自编码器，用于物联网网络异常检测，通过量子自编码器实现高维特征表示，提升检测灵敏度。
2026-03-23 cs.AI cs.LG quant-ph
Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection
Korea University（高丽大学）
由于大规模的时间序列数据在实际应用中很容易被发现，因此多元时间序列异常检测在各个行业中发挥着重要作用。它可以通过基于时间序列数据预防故障和检测异常来提高生产率并降低维护成本。然而，多变量时间序列异常检测是具有挑战性的，因为真实世界的时间序列数据表现出复杂的时间依赖性。对于这项任务，关键是要学习一个丰富的表示，有效地包含正常行为的非线性时间动态。在这项研究中，我们提出了一个无监督的多变量时间序列异常检测模型RAE-MEPC学习信息正常表示的基础上，多分辨率集成和预测编码。我们引入多分辨率集成编码来捕获输入时间序列的多尺度依赖性。编码器分层地聚合从具有不同编码长度的子编码器提取的时间特征。根据这些编码特征，重构解码器基于多分辨率系综解码来重构输入时间序列，其中较低分辨率信息有助于解码具有较高分辨率输出的子解码器。预测编码被进一步引入以鼓励模型学习时间序列的时间依赖性。在真实世界基准数据集上的实验表明，该模型在多变量时间序列异常检测方面优于基准模型。
2022-02-21 cs.AI cs.LG
MadSGM: Multivariate Anomaly Detection with Score-based Generative Models
Yonsei University（延世大学）；Samsung SDS（三星SDS）；LG AI Research（LG人工智能研究院）
MadSGM提出基于分数生成模型的多变量时间序列异常检测方法，综合重构、密度和梯度三类异常度量，在五个基准数据集上取得最稳健准确的预测结果。
2023-08-29 cs.AI cs.LG
Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks
ICT Convergence Research Center（信息通信融合研究中心）；Kumoh National Institute of Technology（Kumoh国立技术学院）；IT-Convergence Engineering（信息融合工程）
本文提出一种联邦学习框架，用于在遭受网络攻击时实现电动汽车充电预测中的异常检测与缓解，通过保护隐私、检测攻击并提升预测准确性。
2025-11-22 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
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
RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series
North Carolina State University（北卡罗来纳州立大学）；Intuit Inc.（财捷公司）
强大的异常检测是监控复杂的现代系统的一项要求，这些系统具有网络安全、欺诈预防和维护等应用。这些系统生成多个相关的时间序列，这些时间序列具有高度的季节性和噪声。本文提出了一种用于多变量时间序列异常检测的新型无监督深度学习架构，称为鲁棒季节性多变量生成对抗网络（RSM-GAN）。它扩展了GANs的最新进展，采用了卷积LSTM层和注意力机制来产生最先进的性能。我们进行了大量的实验，以证明我们的架构在调整复杂的季节性模式和处理严重的训练数据污染水平的实力。我们还提出了一个新的异常分数分配和因果推理框架。我们将RSM-GAN与现有的经典和基于深度学习的异常检测模型进行了比较，结果表明，我们的架构具有最低的误报率，并且在真实世界和合成数据中分别将精度提高了30%和16%。此外，我们报告了RSM-GAN在所有数据设置中准确识别根本原因和NAB评分方面的优越性。
2019-11-16 cs.LG stat.ML
Multivariate Time-series Anomaly Detection via Graph Attention Network
Microsoft（微软）；Peking University（北京大学）
多元时间序列的异常检测在数据采掘研究和工业应用中具有重要意义。最近的方法在这一主题上取得了重大进展，但仍然存在局限性。一个主要的限制是，它们没有明确地捕捉不同时间序列之间的关系，导致不可避免的误报。在本文中，我们提出了一种新的自监督框架的多元时间序列异常检测来解决这个问题。我们的框架将每个单变量时间序列视为一个单独的特征，并包括两个并行的图形注意力层，以学习多变量时间序列在时间和特征维度上的复杂依赖关系。此外，我们的方法联合优化基于预测的模型和基于构造的模型，通过单时间戳预测和整个时间序列的重构相结合，获得更好的时间序列表示。我们通过大量的实验证明了我们的模型的有效性。所提出的方法优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明，我们的方法具有良好的解释性，是有用的异常诊断。
2020-09-04 cs.LG stat.ML
mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Sandia National Laboratories（桑迪亚国家实验室）
mTSBench是一个大规模多变量时间序列异常检测与模型选择基准测试，评估24种检测器并揭示模型选择的迫切需求。
2026-02-07 cs.AI cs.LG
