A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University（云南农业大学）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题，提出集成FEDformer、残差异常检测器与风险预测头的混合框架，在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs
Clemson University（克莱姆森大学）；University of Vienna（维也纳大学）
本文提出用预训练 sentence-transformer 的 LLM 嵌入编码真实财务记录中的非语义分类数据，并结合五类优化 ML 分类器检测异常分录，实验证明其可缓解特征稀疏并优于基线。
2024-06-05 cs.CL cs.LG q-fin.RM
IDK-S: Incremental Distributional Kernel for Streaming Anomaly Detection
IDK-S通过增量分布核方法实现流异常检测的高准确性和高效处理。
2025-12-05 cs.LG
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
An Incremental Clustering Method for Anomaly Detection in Flight Data
City University of Hong Kong（香港城市大学）；Delft University of Technology（代尔夫特理工大学）；Nanyang Technological University（南洋理工大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
安全是民航的头等大事。已经开发了新的异常检测方法，主要是聚类方法，以监测飞行员操作并从此类飞行数据中检测任何风险。然而，所有现有的异常检测方法都是离线学习-模型使用历史数据训练一次，并用于所有未来预测。实际上，航空公司每月都在不断积累和分析新的飞行数据。对这种动态增长的数据进行聚类对于离线方法来说是具有挑战性的，因为每次新数据进入时重新训练模型是内存和时间密集的。如果模型没有被重新训练，错误警报或遗漏检测可能会增加，因为模型不能反映数据模式的变化。为了解决这个问题，我们提出了一种新的增量异常检测方法的基础上高斯混合模型（GMM），以识别常见的模式和检测异常值的数字飞行数据的飞行操作。它是一种飞行操作的概率聚类模型，可以根据新数据逐步更新其聚类，而不是从头开始重新聚类所有数据。它基于历史离线数据训练初始GMM模型。然后，它通过期望最大化（EM）算法不断适应新的传入数据点。为了跟踪飞行操作模式的变化，仅需要保存模型参数。所提出的方法进行了测试的三组仿真数据和两组真实世界的飞行数据。与传统的离线GMM方法相比，该方法可以产生相似的聚类结果，并显著减少处理时间（测试集时间减少57%-99%）和内存使用（测试集内存使用减少91%-95%）。初步结果表明，增量学习方案是有效的，在处理动态增长的数据在飞行数据分析。
2021-10-06 cs.LG stat.ML
Autoencoder-based Anomaly Detection in Streaming Data with Incremental Learning and Concept Drift Adaptation
KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
本文提出基于自编码器的增量学习与漂移检测方法strAEm++DD，用于流式数据异常检测，在严重类别不平衡下显著优于现有方法。
2023-09-05 cs.LG cs.SY eess.SY
Explainable Heterogeneous Anomaly Detection in Financial Networks via Adaptive Expert Routing
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出通过自适应专家路由实现金融网络中异构异常检测，通过分解四种机制特定专家识别异常驱动机制，提升金融风险预警能力。
2026-08-18 cs.AI cs.CE cs.LG
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
DGraph: A Large-Scale Financial Dataset for Graph Anomaly Detection
Zhejiang University（浙江大学）；Finvolution Group（信也科技集团）；Fudan University（复旦大学）；École Polytechnique（巴黎综合理工学院）
针对图异常检测领域数据集多样性不足的问题，本文提出了金融领域大规模真实动态图数据集DGraph，通过观测和实验验证其可推动该领域研究及异常节点深度探索。
2023-06-09 cs.AI cs.SI
Application of Deep Generative Models for Anomaly Detection in Complex Financial Transactions
University of Michigan（密歇根大学）；Trine University（特里纳大学）；The University of Chicago（芝加哥大学）；Columbia University（哥伦比亚大学）；Independent Researcher（独立研究者）
本研究提出结合GAN和VAE的深度生成模型，用于检测大规模支付流中的异常交易，显著优于传统方法，尤其在识别罕见欺诈行为方面表现突出。
2025-04-21 cs.LG
Credit Card Fraud Detection in the Nigerian Financial Sector: A Comparison of Unsupervised TensorFlow-Based Anomaly Detection Techniques, Autoencoders and PCA Algorithm
Enugu State University of Science and Technology（埃努古州立科技大学）
针对尼日利亚金融业信用卡欺诈问题，对比基于TensorFlow的无监督自编码器与PCA算法的欺诈检测效果，验证自编码器降维性能更优，更适配复杂交易数据且错标率更低。
2024-03-08 cs.LG
Enabling Efficient Privacy-Assured Outlier Detection over Encrypted Incremental Datasets
Monash University（莫纳什大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
离群点检测被广泛应用于跟踪网络流量和系统日志等增量数据集上的异常。然而，这些数据集通常涉及敏感信息，并且将数据共享给第三方用于异常检测会引起隐私问题。在本文中，我们提出了一个隐私保护离群检测协议（PPOD）的增量数据集。该协议将异常值检测算法分解为几个阶段，并在每个阶段识别必要的密码操作。它通过高效和可互换的协议实现了几个加密模块，以支持上述加密操作，并将它们组合在整个协议中，以实现对加密数据集的离群值检测。为了支持有效的更新，它集成了滑动窗口模型，以定期驱逐过期的数据，以保持恒定的更新时间。我们建立了一个PPOD的原型，并系统地评估了各种参数设置下的密码模块和整体协议。我们的研究结果表明，PPOD可以处理加密的增量数据集与适度的计算和通信成本。
2019-11-14 cs.CR cs.LG
Dive into Time-Series Anomaly Detection: A Decade Review
Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院数字研究所）；PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；The Ohio State University（俄亥俄州立大学）；Université Paris Cité（巴黎西岱大学）；IUF（法国大学研究院）
本文综述了近十年时间序列异常检测研究，提出以过程为中心的分类法对现有方法进行系统归类，并通过文献元分析总结该领域的主要发展趋势。
2024-12-29 cs.AI cs.DB cs.LG
Deep Autoencoders with Value-at-Risk Thresholding for Unsupervised Anomaly Detection
IBM Research -- Ireland（IBM研究院——爱尔兰）
许多现实世界的监控和监视应用程序需要在流模型中运行非平凡的异常检测。我们考虑了一种增量学习方法，其中训练了一个正常的深度自动编码（DAE）模型，并同时用于检测异常。在异常检测中，我们利用一种新的阈值机制，基于风险价值（VaR）。我们将得到的卷积神经网络（CNN）与一些子空间方法进行比较，并在Changedetection网络上给出结果。
2019-12-09 cs.CV cs.LG eess.IV
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
Expected Similarity Estimation for Large-Scale Batch and Streaming Anomaly Detection
University of Ulm（乌尔姆大学）；Ravensburg-Weingarten University of Applied Sciences（拉芬斯堡-魏恩加腾应用科学大学）；The University of Sydney（悉尼大学）
我们提出了一种新的算法异常检测非常大的数据集和数据流。该方法称为期望相似性估计（EXPoSE），是基于核的，能够有效地计算新数据点和规则数据分布之间的相似性。该估计被制定为一个再生核希尔伯特空间嵌入的内积，并没有假设的类型或形状的基础数据分布。我们证明了使用EXPoSE的离线（批量）学习可以在线性时间内完成，而在线（增量）学习每个实例和模型更新需要恒定的时间。此外，EXPoSE可以在恒定的时间内进行预测，而它只需要恒定的内存。此外，我们提出了不同的方法，概念漂移适应不断变化的数据流。在几个真实的数据集上，我们证明了我们的方法可以与最先进的异常检测算法竞争，同时比大多数其他方法快一个数量级。
2016-06-06 cs.AI cs.LG
Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling
Cognitive Links LLC；University of Maryland, College Park（马里兰大学学院公园分校）
提出一种药物感知框架，通过同步药物依从性与交易监控，利用交互感知逻辑模型提升对认知风险金融事件的检测，尤其在药物脆弱窗口期召回率从0.7442提升至0.9070。
2026-05-30 cs.AI cs.LG
A Real-time Anomaly Detection Using Convolutional Autoencoder with Dynamic Threshold
针对智能计量能耗数据中的异常影响序列估计的问题，提出结合统计学与带动态阈值卷积自编码器的实时表计级检测方法，实现异常早期预警。
2024-04-05 cs.AI cs.LG
Raising the Bar in Graph-level Anomaly Detection
Bosch Center for Artificial Intelligence（博世人工智能中心）；TU Kaiserslautern（凯泽斯劳滕工业大学）；University of California, Irvine（加州大学欧文分校）
图级异常检测已成为金融欺诈检测和社交网络异常活动检测等多个领域的重要课题。虽然大多数研究都集中在视觉数据（如图像）的异常检测上，其中已经获得了高检测精度，但现有的用于图形的深度学习方法目前表现出相当差的性能。本文提出了图级异常检测的标准，即，在一组图中检测异常图的任务。通过借鉴自监督学习和转换学习的思想，我们提出了一种新的深度学习方法，通过修复现有的深度单类方法的一些已知问题，包括超球崩溃和性能翻转，显着改善了现有的深度单类方法。在涉及9种技术的9个真实数据集上的实验表明，与现有的最佳方法相比，我们的方法实现了11.8%AUC的平均性能提高。
2022-05-27 cs.AI cs.LG
Quantum Machine Learning for Anomaly Detection in Consumer Electronics
University of Tennessee（田纳西大学）
本文介绍量子机器学习在消费电子异常检测中的应用，提出通用框架并综述监督、无监督和强化学习QML算法，结合五项案例研究展示其有效性。
2024-08-30 cs.AI cs.LG quant-ph
AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Beijing Institute of Technology（北京理工大学）；Jinan University（暨南大学）；Southeast University（东南大学）
针对动态图异常边检测中标注样本少且类型不断涌现的问题，提出AnomalyLLM，结合大语言模型与动态感知编码器，通过上下文学习实现少样本异常检测，并在无需更新参数的情况下有效识别新型异常。
2024-08-28 cs.AI cs.LG
Factor Analysis of Mixed Data for Anomaly Detection
Cornell University（康奈尔大学）
异常检测旨在识别偏离典型数据模式的观测值。异常观测可能对应于财务欺诈、健康风险或实际上测量不正确的数据。我们发现，通过首先嵌入数据，然后评估异常评分方案，可以提高高维混合数据中的异常检测能力。我们专注于无监督检测和连续和分类（混合）变量的情况下。我们提出了一个峰度加权因子分析的混合数据异常检测，FAMDAD，以获得一个连续的嵌入异常评分。我们说明，异常是高度分离的第一个和最后几个有序的维度，这个空间，并测试各种异常评分实验在这个子空间。模拟和真实数据集的结果进行了说明，所提出的方法（FAMDAD）是高度准确的高维混合数据在这些不同的情况下。
2020-05-25 cs.LG stat.ML
InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection
AGH University of Krakow（克拉科夫AGH科技大学）；American University（美利坚大学）
InCLAD基准针对工业视觉异常检测的静态基准缺陷，构建任务增量式半监督持续学习场景，从图像级和像素级评估性能，为工业环境下的知识保留等研究提供路径。
2026-10-14 cs.AI cs.LG
Hyperbolic Self-supervised Contrastive Learning Based Network Anomaly Detection
Tianjin University（天津大学）
属性网络的异常检测是近年来控制论异常检测、金融欺诈检测等领域的研究热点。随着深度学习在图表示上的广泛应用，现有方法选择应用欧几里德图编码器作为其骨干，这可能会丢失重要的层次信息，特别是在复杂网络中。为了解决这个问题，我们提出了一个有效的异常检测框架，使用双曲自监督对比学习。具体来说，我们首先通过执行子图采样来进行数据增强。然后利用双曲空间中的层次信息，通过指数映射和对数映射，通过判别过程，将正对的得分与负对的得分相减，得到异常得分。最后，在四个真实世界的数据集上进行的大量实验表明，我们的方法优于代表性的基线方法。
2022-09-12 cs.LG cs.SI
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
Exact Optimization of Conformal Predictors via Incremental and Decremental Learning
Alan Turing Institute（艾伦·图灵研究所）；University of Athens（雅典大学）；EPFL（洛桑联邦理工学院）
共形预测器（CP）是ML模型的包装器，在对数据分布的弱假设下提供错误保证。它们适用于广泛的问题，从分类和回归到异常检测。不幸的是，它们非常高的计算复杂性限制了它们对大型数据集的适用性。在这项工作中，我们表明，通过结合底层ML方法进行研究，并利用增量和减量学习，可以大大加快CP分类器的速度。对于k-NN，KDE和内核LS-SVM等方法，我们的方法将运行时间减少了一个数量级，同时产生精确的解决方案。有了类似的想法，我们也实现了一个线性的加速更困难的情况下，自举。最后，我们扩展了这些技术，以改善回归的k-NN CP的优化。我们评估我们的研究结果经验，并讨论当方法适合CP优化。
2021-10-05 cs.LG math.OC
Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification
Aarhus University（奥胡斯大学）；Tampere University（坦佩雷大学）
深度学习模型已经成为解决金融时间序列分析问题的主导，颠覆了传统的机器学习和统计方法。大多数情况下，由于市场条件的内在差异，为一个市场或证券训练的模型不能直接应用于另一个市场或证券。此外，随着市场的发展，有必要更新现有的模型或训练新的模型。这种情况是大多数金融预测应用程序所固有的，自然会提出以下研究问题：如何有效地使预训练模型适应新的数据集，同时保留旧数据的性能，特别是当旧数据不可访问时？在本文中，我们提出了一种方法来有效地保留知识的神经网络预先训练的一组证券，并适应它，以实现高性能的新的。在我们的方法中，编码在预先训练的神经网络中的先验知识通过保持现有连接固定来保持，并且通过一组增强连接来针对新证券调整该知识，该连接使用新数据进行优化。辅助连接被约束为低秩。这不仅使我们能够快速优化新任务，而且还降低了部署阶段的存储和运行时复杂性。我们的方法的效率进行了实证验证，在股票中间价运动预测问题，使用大规模的限价订单簿数据集。实验结果表明，我们的方法提高了预测性能，以及减少网络参数的总数。
2022-07-23 cs.LG q-fin.ST
Weakly Supervised Anomaly Detection: A Survey
Shanghai University of Finance and Economics（上海财经大学）；University of Science and Technology of China（中国科学技术大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Carnegie Mellon University（卡内基梅隆大学）
异常检测（AD）是机器学习中的一项重要任务，具有各种应用，例如检测新兴疾病，识别金融欺诈和检测假新闻。然而，由于数据注释的成本和困难，为AD任务获得完整、准确和精确的标签可能是昂贵的和具有挑战性的。为了解决这个问题，研究人员开发了可以与不完整，不准确和不准确的监督一起工作的AD方法，统称为弱监督异常检测（WSAD）方法。在这项研究中，我们提出了第一个全面调查的WSAD方法，将它们分为上述三个弱监督设置在四个数据模式（即，表格、图形、时间序列和图像/视频数据）。对于每一种设置，我们提供了正式的定义，关键算法和潜在的未来方向。为了支持未来的研究，我们在选定的设置上进行实验，并发布源代码，以及WSAD方法和数据的集合。
2023-02-09 cs.AI cs.LG
A Continual and Incremental Learning Approach for TinyML On-device Training Using Dataset Distillation and Model Size Adaption
Hahn-Schickard（哈恩-席卡德研究所）；Offenburg University of Applied Sciences（奥芬堡应用科学大学）；Technical University of Munich（慕尼黑工业大学）
针对资源受限嵌入式设备的TinyML增量学习需求，提出一种结合数据集蒸馏与动态模型规模自适应的算法，在仅用43% FLOPs和1%原始数据的情况下，准确率损失仅1%，高效解决灾难性遗忘问题。
2024-09-11 cs.AI cs.LG
Fast Incremental von Neumann Graph Entropy Computation: Theory, Algorithm, and Applications
IBM Research（IBM研究院）；University of Michigan（密歇根大学）
冯·诺依曼图熵（VNGE）便于测量图序列中的图之间的信息发散和距离。它已成功地应用于各种基于网络的数据驱动的学习任务。虽然有效，但VNGE在计算上要求很高，因为它需要图形拉普拉斯矩阵的完整特征谱。在本文中，我们提出了一个新的计算框架，快速增量冯诺依曼图EntRopy（手指），接近VNGE的性能保证。FINGER将VNGE的立方复杂度降低到节点和边数量的线性复杂度，从而实现基于增量图变化的在线计算。我们还证明了FINGER与精确VNGE的渐近等价性，并给出了其逼近误差界。基于FINGER，我们提出了计算图间Jensen-Shannon距离的有效算法。我们在不同随机图模型上的实验结果证明了FINGER的计算效率和渐近等价性。此外，我们将FINGER应用于两个真实世界的应用程序和一个合成的异常检测数据集，并证实其优越的性能超过7个基线图相似性方法。
2019-05-28 cs.LG cs.SI stat.ML
Deep Learning for Cross-Border Transaction Anomaly Detection in Anti-Money Laundering Systems
Trine University（特莱恩大学）；National University of Singapore（新加坡国立大学）
本研究针对跨境反洗钱需求，提出基于对比学习优化规则的无监督学习检测方案，自研混合CRNIM模型在准确率与AUROC上表现最优，为提升反洗钱系统智能性与实时性提供理论和实践支撑。
2024-11-21 cs.CY cs.LG cs.SI
Clustering-based Anomaly Detection for microservices
DINO Systems（DINO系统公司）
异常检测是数据中心和云计算平台管理和监控的重要步骤。在真正的故障发生之前检测异常虚拟机的能力可以减少停机时间，同时操作工程师可以紧急恢复故障虚拟机，进行有效的根本原因分析，并在故障导致停机的情况下改善客户的光学性能。虚拟机随时可能出现故障，无论是在实验室还是生产系统中。如果没有异常检测系统，并且实验室环境中的虚拟机出现故障，QA和DEV团队将不得不切换到另一个环境，而OPS团队则修复故障。未能检测到异常虚拟机的潜在影响可能会导致财务后果，无论是在开发新功能还是为现有功能提供服务时。本文提出了一个模型，可以有效地检测异常的虚拟机在生产和测试环境。
2018-10-04 cs.DC cs.LG
Investigating Mask-aware Prototype Learning for Tabular Anomaly Detection
Xidian University（西安电子科技大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；Jilin University（吉林大学）
本文针对表格异常检测中的表征纠缠和全局相关性缺失问题，提出融合掩码建模与原型学习的方法，通过解耦表征、最优传输和校准距离细化异常分数，在20个基准上验证了有效性与可解释性。
2025-06-03 cs.AI cs.LG
Action Sequence Augmentation for Early Graph-based Anomaly Detection
University of Notre Dame（圣母大学）；Snap Inc.（Snap公司）
网络平台的激增刺激了网上滥用行为。许多基于图的异常检测技术被提出来识别可疑账户和行为。然而，他们中的大多数检测异常，一旦用户已经执行了许多这样的行为。当用户在早期阶段观察到的数据有限时，它们的性能受到很大的阻碍，这需要改进以最小化经济损失。在这项工作中，我们提出了Eland，一个新的框架，使用动作序列增强早期异常检测。Eland利用序列预测器来预测每个用户的下一个动作，并利用动作序列增强和用户动作图异常检测之间的相互增强。在三个真实数据集上的实验表明，Eland提高了多种基于图的异常检测方法的性能。使用Eland，早期阶段的异常检测性能优于非增强方法，后者需要更多的观察数据，ROC曲线下面积高达15%。
2021-08-28 cs.LG cs.SI
Structure-Aware Unsupervised Anomaly Detection for Spacecraft Telemetry with Adaptive EVT Thresholding
Universidad de Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学）；GMV GmbH（GMV有限公司）；GMV（GMV公司）
提出一种无需标签和先验知识的无监督框架，通过增量重训练与自适应EVT阈值化，在ESA-AD上实现高F0.5分数，用于航天器遥测异常检测。
2026-09-10 cs.LG
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
FinRule-Bench: A Benchmark for Joint Reasoning over Financial Tables and Principles
FinRule-Bench是一个评估金融表与原则联合推理能力的基准，通过三个任务测试模型在规则验证、识别和多违规诊断中的表现，揭示LLMs在高风险金融分析中的局限性。
2026-03-11 cs.AI cs.CE cs.LG
Lightweight Collaborative Anomaly Detection for the IoT using Blockchain
Georgia Institute of Technology（佐治亚理工学院）；Ben-Gurion University（本-古里安大学）
由于其快速增长和部署，物联网（IoT）已成为我们日常生活的一个重要方面。不幸的是，物联网设备往往有许多漏洞可以被攻击者利用。诸如异常检测之类的无监督技术可以用于以即插即保护的方式保护这些设备。然而，异常检测模型必须经过长时间的训练才能捕获所有良性行为。此外，异常检测模型容易受到对抗攻击的攻击，因为在训练阶段，所有观察都被假设为良性的。在本文中，我们提出了（1）一种新的异常检测方法和（2）一个轻量级框架，该框架利用区块链在分布式环境中集成异常检测模型。区块链框架通过物联网设备之间的自我证明和共识来增量地更新可信的异常检测模型。我们在一个分布式物联网仿真平台上评估了我们的方法，该平台由48个Raspberry Pis组成。仿真演示了该方法如何增强每个设备的安全性和整个网络的安全性。
2020-06-18 cs.CR cs.DC cs.LG
Anomaly Detection in High-Dimensional Bank Account Balances via Robust Methods
Intesa Sanpaolo S.p.A
本文提出了一种高效的鲁棒方法，用于在高维数据中检测银行账户余额的异常，以提高金融欺诈检测的准确性与效率。
2025-11-30 cs.LG
Incremental Causal Graph Learning for Online Cyberattack Detection in Cyber-Physical Infrastructures
School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学）；Institute for Information Sciences, University of Kansas（信息科学研究所，堪萨斯大学）
本文提出INCADET框架，通过增量因果图学习实现实时网络攻击检测，利用早期症状检测、经验回放与边强化以及图卷积网络分类，在动态攻击场景中提升准确性、鲁棒性和适应性。
2025-07-18 cs.AI cs.LG
CIoTA: Collaborative IoT Anomaly Detection via Blockchain
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
由于其快速增长和部署，物联网（IoT）设备已成为我们日常生活的一个重要方面。然而，它们往往具有许多可被攻击者利用的漏洞。无监督技术，如异常检测，可以帮助我们保护物联网设备。然而，异常检测模型必须经过长时间的训练，才能捕获所有良性行为。这种方法容易受到对抗攻击的攻击，因为在训练异常检测模型时，所有观察都被假设为良性的。在本文中，我们提出了CIoTA，这是一个轻量级框架，利用区块链概念为资源有限的设备执行分布式和协作异常检测。CIoTA使用区块链通过物联网设备之间的自我证明和共识来增量更新可信的异常检测模型。我们在我们自己的分布式物联网仿真平台上评估了CIoTA，该平台由48个Raspberry PI组成，以展示CIoTA增强每个设备安全性和整个网络安全性的能力。
2018-04-09 cs.CR cs.CY cs.DC
Incremental Outlier Detection Modelling Using Streaming Analytics in Finance & Health Care
National Institute of Technology Warangal（瓦朗加尔国家理工学院）；Jawaharlal Nehru Technological University – Gurajada Vizianagaram (JNTU-GV)（贾瓦哈拉尔·尼赫鲁技术大学古拉贾达维齐亚纳格拉姆分校）
本文提出一个结合传统与增量学习的混合异常检测框架，采用8种模型在7个金融和医疗任务上评估，发现增量学习显著提升不平衡数据集性能，且IForest ASD模型表现最佳。
2025-04-04 cs.LG
Anomaly Detection in Bitcoin Network Using Unsupervised Learning Methods
异常检测问题已经被研究了很长时间。简而言之，异常是不正常或不太可能的事情。在金融网络中，小偷和非法活动往往是反常的。网络成员希望尽快检测到异常，以防止它们损害网络的社区和完整性。许多机器学习技术已经被提出来处理这个问题，一些结果似乎是相当有前途的，但没有明显的优越的方法。在本文中，我们认为异常检测特定的比特币交易网络。我们的目标是检测哪些用户和交易是最可疑的;在这种情况下，异常行为是可疑行为的代理。为此，我们使用三种无监督学习方法，包括k-means聚类，Mahalanobis距离和无监督支持向量机（SVM）在比特币交易网络生成的两个图上：一个图以用户为节点，另一个图以交易为节点。
2017-02-25 cs.CR cs.LG
Rethinking the Unsupervised Paradigm in Time Series Anomaly Detection: An Empirical Study and Minimalist Baseline
School of Future Technology, South China University of Technology（华南理工大学未来技术学院）；Pengcheng Laboratory（鹏城实验室）；School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）
本文挑战了时间序列异常检测中算法复杂度最优的假设，通过实验表明在有限标注预算下，简单监督模型优于复杂无监督方法，强调标签利用的重要性。
2026-11-04 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
Explainable Anomaly Detection for Industrial IoT Data Streams
GECAD/LASI, Polytechnic of Porto（GECAD/LASI，葡萄牙波尔图理工学院）；SISTRADE Software Consulting, S.A.（SISTRADE软件咨询公司）
本文提出一种结合无监督异常检测和人机协同学习的框架，用于工业物联网数据流的实时维护决策支持。
2025-12-09 cs.LG
On Root Cause Localization and Anomaly Mitigation through Causal Inference
Utah State University（犹他州立大学）；University of Arkansas（阿肯色大学）；Clemson University（克莱姆森大学）
本文提出RootCLAM框架，从因果推断视角定位异常根本原因并推荐缓解行动以翻转异常结果，在三个数据集上验证了有效性。
2023-09-07 cs.LG
Learning Citywide Patterns of Life from Trajectory Monitoring
Novateur Research Solutions（诺瓦图研究解决方案公司）
最近，真实世界人类移动数据集的激增促进了轨迹预测、需求预测、旅行时间估计和异常检测等方面的地理空间和交通研究。然而，这些数据集也可以更广泛地对复杂的人类流动系统进行描述性分析。我们将生命分析模式正式定义为在线无监督异常检测的自然，可解释的扩展，我们不仅监控数据流的异常，还明确提取正常模式。为了学习生活模式，我们将计算生物学和神经机器人学研究中的“需要时生长”（Grow When Required，GWR）情景记忆应用到地理空间分析的新领域。这种受生物启发的神经网络与自组织映射（SOM）相关，当它在GPS流上迭代时，会逐步构建一组“记忆”或原型交通模式。然后，它将每个新的观察结果与之前的经验进行比较，从而对数据进行在线、无监督的聚类和异常检测。我们从波尔图出租车数据集中挖掘感兴趣的模式，包括主要的公共假日和新发现的交通异常，如节日和音乐会，据我们所知，这些都是以前没有被承认或报告的。我们预计，逐步学习正常和异常道路交通行为的能力将在许多领域有用，包括智能城市、自动驾驶汽车以及城市规划和管理。
2022-06-30 cs.LG cs.NE
Semantic Pareto-DQN: A Multi-Objective Reinforcement Learning Framework for Financial Anomaly Detection
A3Data（A3数据公司）
针对金融异常检测的类不平衡问题，提出语义帕累托深度Q网络框架，合成交易特征，优化向量奖励，映射帕累托前沿，经实验验证可打破零召回陷阱，提升少数类召回率，为金融异常发现提供新途径。
2026-07-13 cs.AI cs.LG
Improving Network Anomaly Detection via Choquet-Integral-Based Feature Aggregation
Federal University of Rio Grande - FURG, Brazil（巴西里约格朗德联邦大学）；Federal University of Rio Grande do Norte - UFRN, Brazil（巴西里约格朗德北联邦大学）
研究通过基于Choquet积分的特征聚合框架改进网络异常检测，结合自适应加权与增量特征选择解决特征冗余，用随机森林和XGBoost分类器评估，该聚合提高准确率且减少数据量，在特定场景有显著收益。
2026-07-20 cs.CR cs.LG
RePAD2: Real-Time, Lightweight, and Adaptive Anomaly Detection for Open-Ended Time Series
Høgskulen på Vestlandet (HVL)（西挪威应用科学大学）；Norwegian University of Science and Technology（挪威科技大学）
开放式时间序列是指按时间顺序索引的一系列数据点，没有结束。由于物联网的普及，这样的时间序列随处可见。为开放式时间序列提供轻量级和实时的【形】的异常检测是行业和组织非常希望的，因为它允许立即响应并避免潜在的财务损失。在过去的几年中，已经引入了几种实时的【形】时间序列异常检测方法。但是，当它们长时间应用于开放式时间序列时，可能会耗尽系统资源。为了解决这个问题，在本文中，我们提出了RePAD 2，一个轻量级的开放式时间序列的实时的【形】异常检测方法，通过改进其前身RePAD，这是最先进的异常检测方法之一。我们进行了一系列实验，将RePAD 2与RePAD和另一种基于真实世界时间序列数据集的类似检测方法进行比较，并证明RePAD 2可以解决上述资源耗尽问题，同时提供相当的检测准确性和略少的时间消耗。
2023-03-02 cs.LG
Benchmarking Unsupervised Strategies for Anomaly Detection in Multivariate Time Series
IBM Research Paris-Saclay（IBM巴黎萨克雷研究中心）；LPNHE（LPNHE实验室）；Sorbonne Université（索邦大学）；Université Paris Cité（巴黎城市大学）；CNRS/IN2P3 Paris（巴黎国家科学研究中心/IN2P3）
本文研究了基于transformer的多变量时间序列异常检测方法，重点评估iTransformer架构，并从参数影响、标签提取、异常数据缓解及多数据集对比四个方面进行全面基准测试。
2025-06-25 cs.LG stat.ME
Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective
College of Intelligence and Computing, Tianjin University（天津大学智能计算学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）
针对图异常检测中对比学习受干扰边影响的问题，提出干净视图增强框架CVGAD，含多尺度异常感知和渐进式净化模块，在五个基准数据集上验证了有效性。
2025-05-23 cs.LG
SpecAE: Spectral AutoEncoder for Anomaly Detection in Attributed Networks
Texas A&M University（德州农工大学）；University of Virginia（弗吉尼亚大学）
异常检测的目的是区分罕见的和不同于大多数的观察。虽然大多数现有算法假设实例是独立同分布的，在许多实际情况下，描述实例到实例依赖性和交互的链接是可用的。这样的系统被称为属性网络。属性网络中的异常检测具有各种应用，例如监控社交媒体中的可疑账户和交易网络中的金融欺诈。然而，它仍然是一个具有挑战性的任务，因为异常的定义变得更加复杂，拓扑结构是异构的节点属性。在本文中，我们提出了一个光谱卷积和反卷积为基础的框架- SpecAE，投影属性网络到一个定制的空间，以检测全球和社区的异常。SpecAE利用拉普拉斯锐化来放大异常表示与大多数表示之间的距离。学习的表示连同重构误差与密度估计模型组合以执行检测。它们作为一个端到端框架共同接受培训。在真实数据集上的实验证明了SpecAE的有效性。
2019-10-09 cs.LG stat.ML
