GRAD: Real-Time Gated Recurrent Anomaly Detection in Autonomous Vehicle Sensors Using Reinforced EMA and Multi-Stage Sliding Window Techniques
Faculty of Computer Engineering, K.N.Toosi University of Technology（计算机工程学院，凯恩托西技术大学）
本文提出GRAD，一种结合REMA与多阶段滑动窗口及轻量级GRU的实时异常检测方法，在自动驾驶传感器上实现高精度（F1达97.6%）与低计算成本，并具备数据恢复能力。
2025-10-27 cs.LG
CGSTA: Cross-Scale Graph Contrast with Stability-Aware Alignment for Multivariate Time-Series Anomaly Detection
Dalian Maritime University（大连海事大学）；Harbin Engineering University（哈尔滨工程大学）
CGSTA通过跨尺度图对比与稳定性感知对齐，提升多变量时间序列异常检测的鲁棒性和准确性。
2026-02-24 cs.LG
Robust Projection based Anomaly Extraction (RPE) in Univariate Time-Series
Amazon（亚马逊）
本文提出了一种新颖的，封闭的形式，和数据/计算效率的时间序列数据的在线异常检测算法。该方法被称为RPE，是一种基于窗口的方法，与现有的基于窗口的方法形成鲜明对比，它对窗口中异常的存在具有鲁棒性，并且可以在时间戳级别上区分异常。RPE利用时间序列的轨迹矩阵的线性结构，并采用鲁棒投影步骤，该步骤使得算法能够处理其窗口中存在的多个任意大的异常。给出了鲁棒投影步骤的一种封闭形式/非迭代算法，并证明了该算法能够识别出被破坏的时间戳。RPE是一个伟大的候选人的应用程序中，大量的训练数据是不可用的，这是在时间序列领域的常见情况。大量的数值实验表明，RPE可以明显优于现有的方法。
2022-05-31 cs.AI cs.LG stat.ML
TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference
本文提出TACTIC，一种基于上下文推理的表格异常检测方法，通过预训练异常中心合成先验，实现快速且数据依赖的异常判断，优于传统得分方法。
2026-03-15 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
Radial Autoencoders for Enhanced Anomaly Detection
Haute Ecole de la Suisse Occidentale (HES-SO)（瑞士西部高等专业学院）；Netguardians SA（Netguardians股份公司）
在分类问题中，由于神经网络学习复杂模式的能力，监督机器学习方法优于传统算法。然而，在异常或欺诈检测等两类分类任务中，无监督方法可以做得更好，因为它们的预测不限于以前学习的异常类型。异常检测的直观方法可以基于距两个相应类别的质心的距离。自动编码器虽然在没有监督的情况下训练，但也可以检测异常：考虑到正常点的质心，重建现在有半径，最大的半径很可能表示异常点。当然，基于半径的分类已经可以在不插入自动编码器的情况下实现。在任何空间，径向分级都可以在一定程度上操作。为了超越它，我们继续进行数据的径向变形（即轴的中心压缩或扩展）和自动编码器训练。任何使用数据中心的自动编码器在这里都被称为中心自动编码器（cAE）。一种特殊的类型是使用统一压缩的数据集训练的cAE，称为向心自动编码器（cpAE）。新的概念在这里研究与示意性的人工数据集，和派生的方法表现出一致的分数改善。但是在真实的银行数据上进行测试，我们的径向变形监督算法仍然比cAE表现得更好，正如大多数监督方法所预期的那样;尽管如此，在混合方法中，cAE可以与空间的径向变形相结合，提高其分类得分。我们预计，中心自动编码器将成为基于几何的异常实时检测中不可替代的对象，这要归功于它们在几何算法上自然干的能力以及它们检测未知异常类型的原生能力。
2022-03-31 cs.AI cs.LG
TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection
CQSF.com（重庆师范大学）；Huadian University（哈尔滨理工大学）
提出一种两阶段伪异常引导方法TPA-AD，通过重构模型和特征误差控制生成边界伪异常窗口，结合对比学习与KNN实现无监督轴承时间序列异常检测，在轴承故障和退化数据集上表现稳定且具泛化性。
2026-06-02 cs.AI cs.LG stat.ML
Enhancing Web Service Anomaly Detection via Fine-grained Multi-modal Association and Frequency Domain Analysis
Peking University（北京大学）；Nanyang Normal University（南阳师范学院）；Alibaba group（阿里巴巴集团）
针对Web服务中日志与指标粗粒度对齐及重构过度泛化问题，提出FFAD方法，利用基于图的对齐实现细粒度多模态关联，并结合傅里叶频率聚焦增强异常检测，F1值达93.6%。
2025-01-28 cs.LG cs.SE
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning
Technische Universität Berlin（柏林工业大学）
由于现代IT服务的复杂性，故障可能是多种多样的，发生在任何阶段，并且难以检测。因此，将异常检测应用于日志等监控数据，可以获得相关见解，以稳步改善IT服务并消除故障。然而，现有的异常检测方法，提供高精度往往依赖于标记的训练数据，这是耗时的，以获得在实践中。因此，我们提出了PADER，一个迭代日志分析方法的反应性异常检测的基础上估计的故障时间窗口提供的监测系统，而不是标记的数据。我们的基于注意力的模型使用了一种新的弱监督深度学习目标函数，该目标函数考虑了不平衡的数据，并对正样本和未知样本（PU学习）应用迭代学习策略来识别异常日志。我们的评估表明，PSTOM在三个不同的数据集上始终优于十个基准基线，并且即使在不精确的故障时间窗口内也能检测到F1分数超过0.99的异常日志消息。
2023-01-25 cs.LG
Is Your Anomaly Detector Ready for Change? Adapting AIOps Solutions to the Real World
Delft University of Technology（代尔夫特理工大学）；Leibniz University Hannover（汉诺威莱布尼茨大学）
针对运维数据随时间变化影响异常检测模型性能的问题，研究了两类维护技术、两种重训练数据策略的效果，并验证了数据变化监测工具判断模型更新时机的可行性，为AIOps异常检测方案的真实世界适配提供参考。
2024-04-11 cs.LG cs.SE
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
Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes
Bayerische Motorenwerke AG（宝马股份公司）；Leiden Institute of Advanced Computer Science（莱顿高级计算机科学研究所）
异常检测描述了发现不同于正常值空间的异常状态、实例或数据点的方法。工业过程是一个需要预测模型来发现异常数据实例以提高质量的领域。然而，一个主要的挑战是在这种环境中没有标签。本文有助于以数据为中心的方式接近工业生产中的人工智能。通过汽车零部件增材制造的用例，我们提出了一个基于深度学习的图像处理管道。此外，我们在循环中集成了域随机化和合成数据的概念，这为深度学习及其在现实世界工业生产过程中的应用提供了有希望的结果。
2022-09-23 cs.LG
Arbitrary Discrete Sequence Anomaly Detection with Zero Boundary LSTM
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Bloomberg（彭博）
我们提出了一个简单的数学定义和新的神经结构，发现离散序列数据集内的异常。我们的模型包括一个修改的LSTM自动编码器和一个One-Class SVM数组。LSTM从序列中获取元素，并创建上下文向量，用于预测下一个元素的概率分布。然后，这些上下文向量用于训练一个单类SVM阵列。这些支持向量机用于确定上下文空间中的离群值边界。我们表明，我们的方法始终更稳定，并且在两个生成的数据集上优于标准LSTM和滑动窗口异常检测系统。
2018-03-06 cs.LG
Time-Series Anomaly Detection with Implicit Neural Representation
Yonsei University（延世大学）
在许多实际应用中，检测多变量时间序列数据中的异常是必不可少的。最近，各种基于深度学习的方法在时间序列异常检测方面已经显示出相当大的改进。然而，现有的方法仍然具有若干限制，诸如由于其复杂的模型设计而导致的长的训练时间或者用于找到最佳超参数（例如，滑动窗口长度）。在我们的论文中，我们提出了一种新的方法，称为隐式神经表示为基础的异常检测（INRAD）。具体来说，我们训练一个简单的多层感知器，以时间为输入，并输出相应的值在那个时候。然后，我们利用表示错误作为异常检测异常的得分。在五个真实数据集上的实验表明，我们提出的方法在性能、训练速度和鲁棒性方面优于其他最先进的方法。
2022-01-28 cs.LG
Anomaly Detection for Water Treatment System based on Neural Network with Automatic Architecture Optimization
Kaspersky Lab（卡巴斯基实验室）
我们继续开发我们的神经网络（NN）为基础的预测方法，异常检测（AD）使用安全水处理（SWaT）工业控制系统（ICS）测试平台数据集。我们提出了遗传算法（GA）找到最好的NN架构为给定的数据集，使用NAB度量来评估不同架构的质量。分析了F1度量的缺陷。提出了几种提高AD质量的技术：指数加权平滑，平均p幂误差度量，每个变量的单个误差权重，不相交的预测窗口。在此基础上，介绍了一种异常解释方法。
2018-07-19 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
RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家级试点软件工程学院），北京邮电大学）；China Telecom Research Institute Beijing（中国电信研究院北京分院）；Department of Computer Science, Missouri University of Science and Technology（计算机学院，密苏里科技大学）
RED-F通过重建-消除模型和双流对比预测模型，提升多变量时间序列异常预测的准确性与鲁棒性。
2026-01-12 cs.LG
Time-Window Group-Correlation Support vs. Individual Features: A Detection of Abnormal Users
Penn State University（宾夕法尼亚州立大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
基于自动编码器的异常检测方法已被用于从大规模企业日志中识别异常用户，假设敌对活动不遵循过去的习惯模式。大多数现有的方法通常通过重建单日和个人用户行为来构建模型。然而，由于没有捕获长期信号和组相关信号，模型无法识别低信号但长期存在的威胁，并且在繁忙的日子会将许多正常用户错误地报告为异常，这反过来又导致高误报率。在本文中，我们提出了ACOBE，一种基于复合BEST的异常检测方法，它考虑了长期模式和群体行为。ACOBE利用一种新颖的行为表示和一组深度自动编码器，并生成一个有序的调查列表。我们的评估表明，ACOBE在精确度和召回率方面大大优于先前的工作，我们的案例研究表明，ACOBE在实际中适用于网络攻击检测。
2020-12-27 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
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
Robust Anomaly Detection Using Semidefinite Programming
本文提出基于多项式优化和矩方法的新型异常检测方法，仅需正常状态特征统计矩信息，相较于Parzen窗口和1类SVM等方法表现更优，且能简洁描述正常状态，简化高维数据集的异常检测问题。
2015-05-30 cs.CV cs.LG cs.SY
Subgraph Centralization: A Necessary Step for Graph Anomaly Detection
Nanjing University（南京大学）；Singapore Management University（新加坡管理大学）
图的异常检测是近年来研究的热点。尽管他们的成功，现有的检测器至少有三个弱点中的两个：（a）高计算成本，这将它们限制在小规模的网络;（b）现有的处理子图产生次优的检测精度;（c）无法提供一个解释，为什么一个节点是异常的，一旦它被识别。我们确定，这些弱点的根本原因是缺乏一个适当的治疗子图。提出了一种用于图异常检测的子图中心化方法。其重要性表现在两个方面。首先，我们提出了一个简单而有效的新框架，称为图中心异常检测（GCAD）。GCAD相对于包括深度学习检测器在内的现有检测器的主要优势是：（i）更好的异常检测准确性;（ii）相对于节点数量的线性时间复杂度;以及（iii）它是一个通用框架，允许使用现有的点异常检测器来检测网络中的节点异常。其次，我们证明了子图中心化可以被纳入两个现有的检测器，以克服上述弱点。
2023-01-17 cs.LG cs.SI
TRACE-C: Rank-Calibrated Relational Anomaly Detection for Multi-Stream Operational Telemetry
该研究针对多流运行遥测异常检测问题，提出TRACE-C秩校准检测器，经英国电网数据验证，可有效识别风暴等异常事件，同时明确了方法的解释限制。
2026-08-24 cs.LG stat.ML
LPCVAE: A Conditional VAE with Long-Term Dependency and Probabilistic Time-Frequency Fusion for Time Series Anomaly Detection
Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学网络安全学院）
LPCVAE通过引入LSTM和Product-of-Experts机制，实现对时间序列异常检测中长期依赖和概率时频融合的高效整合，提升检测性能。
2025-10-13 cs.AI cs.ET cs.LG
UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction
Department of Chemical Engineering, Norwegian University of Science and Technology (NTNU)（化学工程系，挪威科学与技术大学）；Department of Computing, Imperial College London（计算系，帝国理工学院伦敦分校）
本文提出UTOPYA框架，通过融合八种数据模态，利用FiLM条件交叉模态注意力和门控融合，共同解决批次蒸馏中的异常检测、时间序列预测和相分类问题，并通过物理信息正则化方案和课程学习方法提升性能。
2026-05-18 cs.LG
Towards Robust Time Series Learning via Capacity-Centric Modulation
The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州））；Central South University（中南大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对时间序列学习中样本可靠性异质性导致的过/欠正则化问题，提出容量中心调制（CCM）原则及样本自适应容量调制（SACM）框架，利用频谱稀疏性分配逐样本丢弃概率，在301个数据集-骨干网络对上平均降低预测MSE 6.7%，提升分类准确率3.04%和F1 17.05%，零测试开销。
2026-10-01 cs.LG
Neural Contextual Anomaly Detection for Time Series
University of Oxford（牛津大学）；AWS AI Labs（AWS人工智能实验室）
我们介绍了神经上下文异常检测（NCAD），这是一个用于时间序列异常检测的框架，可以从无监督到有监督的设置无缝扩展，并且适用于单变量和多变量时间序列。这是通过有效地结合多元时间序列的表示学习的最新发展，与最初为计算机视觉开发的深度异常检测技术，我们定制的时间序列设置。我们的基于窗口的方法有利于学习正常和异常类之间的边界注入通用合成异常到可用的数据。此外，我们的方法可以有效地利用所有可用的信息，无论是作为领域知识，还是作为半监督设置中的训练标签。我们在标准基准数据集上实证证明，我们的方法在这些设置中获得了最先进的性能。
2021-07-16 cs.AI cs.LG
Abnormality Forecasting: Time Series Anomaly Prediction via Future Context Modeling
Nankai University（南开大学）；Squirrel AI（松鼠AI）；Singapore Management University（新加坡管理大学）
针对时间序列异常发生后再检测会导致损失的问题，提出未来上下文建模（FCM）方法，利用长期预测模型放大观测数据的细微异常差异并结合联合变量-时间注意力进行正常性建模，实现异常事件预警，在五个数据集上召回率达70%+且F1分数显著优于基线。
2024-10-16 cs.AI cs.LG
Real-Time Anomaly Detection in Data Centers for Log-based Predictive Maintenance using an Evolving Fuzzy-Rule-Based Approach
University of Bologna（博洛尼亚大学）；INFN Bologna（意大利国家核物理研究所博洛尼亚分部）；Federal University of Lavras（拉夫拉斯联邦大学）
数据中心异常行为的检测对于预测性维护和数据安全至关重要。对于数据中心，我们指的是允许用户传输和交换数据和信息的任何计算机网络。特别是，我们专注于意大利核物理研究所（INFN）的一级数据中心，该中心支持日内瓦大型强子对撞机（LHC）的高能物理实验。该中心提供数据处理、存储、分析和分发所需的资源和服务。数据中心的日志记录在本质上是一种随机的、非平稳的现象。提出了一种基于滑动时间窗的实时的【形】【形状】日志记录监测与分类方法，以及一种基于时变演化模糊规则的分类模型。根据控制图，最频繁的日志模式被视为正常的系统状态。我们从时间窗口中提取属性，逐步开发和更新不断发展的高斯模糊分类器（eGFC）。实时的【形】异常监测系统必须在准确性、紧凑性和实时的【形】操作方面提供令人鼓舞的结果。
2020-04-25 cs.AI cs.DB 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
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
Balanced Anomaly-guided Ego-graph Diffusion Model for Inductive Graph Anomaly Detection
Renmin University of China（中国人民大学）；Independent Researcher（独立研究者）；Microsoft（微软）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Cornell University（康奈尔大学）
本文提出一种平衡的异常引导自环图扩散模型，通过动态图建模和课程异常增强机制解决图异常检测中的动态性和类别不平衡问题。
2026-02-05 cs.AI cs.LG
Topological Data Analysis for Anomaly Detection in Host-Based Logs
The Alan Turing Institute（艾伦·图灵研究所）；The British Library（大英图书馆）
拓扑数据分析（TDA）使从业人员能够分析网络安全数据的全局结构。我们使用TDA在基于主机的日志中进行异常检测，这些日志是通过开源Logging Made Easy（LME）项目收集的。我们提出了一种方法，直接从Windows日志中建立单纯复合体的过滤，使其内在结构的分析，使用拓扑工具。我们比较持久的同源性和频谱图和超图拉普拉斯算子作为特征向量对标准日志嵌入计数事件的功效，并发现计算机日志的拓扑和频谱嵌入包含用于对异常日志进行分类的判别信息，该信息是标准嵌入的补充。最后，我们讨论了我们的方法被用作异常检测的一个可解释的框架的一部分的潜力。
2022-04-25 cs.AI cs.CR cs.LG
SetAD: Semi-Supervised Anomaly Learning in Contextual Sets
Beihang University（北京航空航天大学）；Pengcheng Laboratory（鹏城实验室）
SetAD提出了一种基于集合的半监督异常检测框架，通过集合级建模和上下文校准机制提升异常检测性能。
2025-11-26 cs.LG
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
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
Graph-Based Method for Anomaly Prediction in Brain Network
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Iranian Comprehensive Hemophilia Care Center (ICHCC)（伊朗综合血友病护理中心）
静息态功能磁共振成像（rs-fMRI）是功能神经成像技术中的一种，通过绘制脑内连接的拓扑结构，即连接定位图，在脑功能障碍、功能障碍的研究中有了很大的发展。由于健康和不健康的大脑区域和功能之间存在细微的差异，随着评估标准的增长，对人类功能和结构大脑网络的复杂拓扑结构的研究是一项复杂的任务。不规则图深度学习应用已经广泛传播到理解与基因表达和相关分布式空间模式相关的人类认知功能，因为大脑的神经元网络可以动态地保持具有不同活动模式和功能连接的各种大脑解决方案，这些应用也可能涉及以节点为中心和以图为中心的任务。本文提出了一种基于个体生成模型和高阶图分析的新方法，用于识别在执行特定任务时不具有正常连接的大脑感兴趣区域。在这里，我们提出了一个高阶框架的图形自动编码器（GAE）与超球分布器的功能数据分析在脑成像研究，是潜在的非欧结构中的学习强非刚性图之间的大规模数据。此外，我们区分了异常脑连接中可能的相关模式。我们的发现将显示受影响的区域之间的相关性程度，以及它们随时间的同时发生，这可用于诊断大脑疾病或揭示神经系统根据输入刺激在各个角度修改大脑拓扑结构的能力，大脑可塑性。
2019-07-17 cs.LG eess.IV stat.ML
No Free Lunch: The Hazards of Over-Expressive Representations in Anomaly Detection
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
该研究针对“表征表达力越强异常检测性能越好”的假设，通过理论玩具模型和实证研究证明异常检测存在“没有免费午餐”效应，过度表达的表征会导致性能下降，并指出需引导表征聚焦相关属性，给出了未来缓解方向。
2023-06-12 cs.CV cs.LG
Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection
Shiraz University（设拉子大学）
本文提出一种结合注意力机制与自编码器的混合模型，用于时间序列无监督在线异常检测，通过潜在空间预测及误差一阶统计矩分析提升检测准确率。
2024-01-06 cs.AI cs.LG eess.SP
Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series
在这项研究中，我们研究了先进的特征工程和混合模型架构的有效性异常检测在一个多变量的工业时间序列，专注于汽轮机系统。我们评估了变化点派生的统计特征，基于聚类的子结构表示，和混合学习策略对检测性能的影响。尽管它们在理论上很有吸引力，但与在分割数据上训练的简单随机森林+ XGBoost集成相比，这些复杂的方法始终表现不佳。总体实现了0.976的AUC-ROC，0.41的F1评分，以及在定义的时间窗内100%的早期检测。我们的研究结果强调，在具有高度不平衡和时间不确定数据的情况下，模型简单性与优化分割相结合可以胜过更复杂的架构，提供更高的鲁棒性，可解释性和操作实用性。
2025-10-30 cs.AI cs.LG
Deep Learning for Anomaly Detection in Railway Systems: A Structured Survey
Université Polytechnique Hauts-de-France（上法兰西理工大学）；Alstom（阿尔斯通）；INSA Hauts-de-France（法国国立应用科学学院上法兰西分校）；University of Sharjah（沙迦大学）
本文对铁路系统异常检测的深度学习方法进行结构化综述，提出统一分类法，并构建面向决策的框架以指导检测范式和部署配置的选择。
2026-10-02 cs.AI cs.LG
A Joint Model for IT Operation Series Prediction and Anomaly Detection
Xiamen University（厦门大学）；Bonree Inc.（博睿数据）
状态预测和异常检测是IT系统自动监控的两个基本任务。在本文中，联合模型预测器和异常检测器（PAD）提出了一个框架下解决这两个问题。在我们的设计中，变分自动编码器（VAE）和长短期记忆（LSTM）结合在一起。预测块（LSTM）从VAE重构的时间序列中获取干净的输入，这使得它对预测任务的异常和噪声具有鲁棒性。与此同时，LSTM块保持长期的顺序模式，这些模式在VAE编码窗口之外。这导致VAE在异常检测中的性能比单独训练时更好。在整个处理流水线中，光谱残差分析与VAE和LSTM集成，以提高两者的性能。在两个具有挑战性的评估基准上的实验证实了在两个任务上的优越性能。
2021-04-22 cs.LG stat.ML
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
DARTs: A Dual-Path Robust Framework for Anomaly Detection in High-Dimensional Multivariate Time Series
Xi’an Jiaotong University, School of Computer Science and Technology（西安交通大学计算机科学与技术学院）；Fudan University, College of Intelligent Robotics and Advanced Manufacturing（复旦大学智能机器人与先进制造学院）
DARTs通过双路径框架和窗口感知机制，提升高维多变量时间序列异常检测的鲁棒性和准确性。
2025-12-14 cs.AI cs.LG
LSTM-based Anomaly Detection for Non-linear Dynamical System
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
非线性动力系统的异常检测对于保证系统的稳定性具有重要作用。然而，它通常是复杂的，必须通过大规模的仿真来解决，这需要大量的计算资源。本文提出了一种基于长短期记忆（LSTM）的非线性动力系统异常检测方案，用于捕获时间序列的复杂时间变化并进行多步预测。具体而言，我们首先提出了基于LSTM的非线性动力系统异常检测框架，包括数据预处理、多步预测和异常检测。根据预测要求，在多步预测中，采用自适应滑动窗口采集壁面剪应力数据集的样本，探索了两种训练模式。在多步预测结果的基础上，提出了一种自适应参数局部平均（LAAP）算法，用于提取时间序列的局部数值特征，估计即将到来的异常。实验结果表明，本文提出的多步预测方法在壁面剪应力数据集上的预测精度高于传统方法，LAAP算法在异常检测任务中的性能优于基于绝对值的方法。
2020-06-05 cs.LG eess.SP
Vision Foundation Model Embedding-Based Semantic Anomaly Detection
SETLabs Research GmbH；Graz University of Technology（格拉茨技术大学）；Stanford University（斯坦福大学）；Virtual Vehicle Research GmbH；NVIDIA（英伟达）
本文提出利用视觉基础模型嵌入，将运行时局部图像表示与安全标称场景库比对，并结合实例分割与误报过滤，实现可精确定位且性能媲美 GPT-4o 的自主系统语义异常检测。
2025-05-12 cs.CV 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
Ensemble neuroevolution based approach for multivariate time series anomaly detection
AGH University of Science and Technology（AGH科技大学）
多变量时间序列异常检测是故障预防领域中一个非常常见的问题。快速预防意味着更低的维修成本和损失。新型工业系统中传感器的数量使得异常检测过程对人类来说非常困难。自动检测异常过程的算法在现代故障预防系统中至关重要。因此，许多机器和深度学习模型被设计来解决这个问题。大多数情况下，它们是基于自动编码器的架构，具有一些生成对抗元素。在这项工作中，一个框架，其中包括神经进化方法，以提高新的和已知的模型的异常检测分数。该方法采用演化策略对集成模型进行进化，每个模型作用于一个数据传感器子集。神经进化的下一个目标是优化架构和超参数，如窗口大小、层数、层深度等。所提出的框架表明，可以在合理的时间和完全自动化的模式下提升大多数异常检测深度学习模型。测试在SWAT和WADI数据集上运行。据我们所知，这是第一种使用神经进化策略以内置的全自动方式构建集成深度学习异常检测模型的方法。
2021-08-08 cs.AI cs.LG
Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection
New York University（纽约大学）；Koc University（科奇大学）
Signal2Symbol通过神经符号框架将生理信号转为符号序列，结合稀有项集挖掘与Allen/FCA推理，实现可解释的时序异常检测与复合时间解释。
2026-09-24 cs.AI cs.LG
Scaling New Peaks: A Viewership-centric Approach to Automated Content Curation
AT&T（美国电话电报公司）；AT&T Labs – Research（美国电话电报公司实验室（研究））；Data Science and AI Research, AT&T（美国电话电报公司数据科学与人工智能研究部门）
摘要视频内容对于视频流服务在有限的时间跨度内吸引用户是重要的。为此，当前的方法涉及手动策展或使用被动兴趣线索来注释潜在的高兴趣片段以形成概括视频的基础，并且是昂贵且不可靠的。我们提出了一个收视率驱动的，自动化的方法，可容纳一系列的细分识别目标。使用卫星电视收视率数据作为观众兴趣的地面实况的来源，我们应用统计异常检测的收视率指标的时间轴，以确定高观众兴趣的“种子”段。这些片段使用经验规则和内容元数据的几个来源（例如镜头边界）进行后处理，添加个性化方面以产生最终的精彩片段视频。为了展示我们方法的灵活性，我们提出了两个案例研究，分别是2019年12月19日的美国民主党总统辩论和2019年温布尔登女子决赛。我们对其公开的亮点进行定性比较，以及早期与晚期的收视率比较，以了解媒体和社会对收视行为的可能影响。
2021-08-09 cs.LG cs.MA cs.MM
MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time Series
GE Research（通用电气研究院）
在本文中，我们介绍了掩蔽异常检测（MAD），一个通用的自监督学习任务的多元时间序列异常检测。随着来自工业系统的传感器数据的可用性的增加，能够从多变量时间序列数据流中检测异常是非常重要的。由于在现实世界中的应用异常的稀缺性，大多数文献一直专注于建模的正常性。学习的正常表示可以增强异常检测，因为模型已经学会捕获某些关键的底层数据。一个典型的公式是学习预测模型，即，使用时间序列数据窗口来预测未来的数据值。在本文中，我们提出了另一种自监督学习任务。通过随机屏蔽一部分输入并训练模型来使用剩余的输入来估计它们，MAD是对传统的从左到右的下一步预测（NSP）任务的改进。我们的实验结果表明，MAD可以实现更好的异常检测率比传统的NSP方法时，使用完全相同的神经网络（NN）的基础模型，并可以修改运行速度NSP模型在测试时间在相同的硬件，从而使其成为一个理想的升级许多现有的基于NSP的NN异常检测模型。
2022-05-04 cs.AI cs.LG cs.NE
RX-ADS: Interpretable Anomaly Detection using Adversarial ML for Electric Vehicle CAN data
Virginia Commonwealth University（弗吉尼亚联邦大学）；Idaho National Laboratory（爱达荷国家实验室）
近年来，电动汽车（EV）和相关基础设施/通信取得了相当大的进步。入侵检测系统（IDS）被广泛部署在这样的关键基础设施的异常检测。本文提出了一种可解释的异常检测系统（RX-ADS），用于检测电动汽车CAN协议通信中的入侵。贡献包括：1）基于窗口的特征提取方法; 2）基于深度自动编码器的异常检测方法;以及3）基于对抗性机器学习的解释生成方法。该方法在两个基准CAN数据集上进行了测试：OTIDS和Car Hacking。RX-ADS的异常检测性能与这些数据集上最先进的方法进行了比较：HIDS和GIDS。RX-ADS方法的性能与HIDS方法（OTIDS数据集）相当，并且优于HIDS和GIDS方法（Car Hacking数据集）。此外，所提出的方法是能够产生的各种入侵检测到的异常行为的解释。这些解释后来被领域专家用来检测异常的信息所验证。RX-ADS的其他优势包括：1）该方法可以在未标记的数据上进行训练; 2）解释有助于专家理解异常和根本过程分析，还有助于AI模型调试和诊断，最终提高用户对AI系统的信任。
2022-09-05 cs.AI cs.CR cs.LG
How to Configure Masked Event Anomaly Detection on Software Logs?
具有屏蔽事件预测的软件日志异常事件检测具有多种技术方法，具有无数的配置和参数。我们的目标是为将来类似的研究提供一个基线。我们使用的模型是N-Gram模型，这是自然语言处理（NLP）领域的经典方法，以及两种深度学习（DL）模型-长短期记忆（LSTM）和卷积神经网络（CNN）。对于数据集，我们使用了四个数据集Profilence、BlueGene/L（BGL）、Hadoop分布式文件系统（HDFS）和Hadoop。其他设置是滑动窗口的大小，它决定了我们使用多少周围事件来预测给定事件，掩码位置（我们预测的窗口内的位置），仅使用唯一序列，以及用于训练的数据部分。结果显示了可以在数据集上推广的设置的明确指示。DL模型的性能不会随着窗口大小的增加而恶化，而N-Gram模型在BGL和Profilence数据集上显示出更差的性能。尽管下一个事件预测很受欢迎，但结果表明，在这种情况下，最好不要预测子序列边缘的事件，即，第一个或最后一个事件，当窗口大小为5时，预测第四个事件的结果最好。关于用于训练的数据量，结果显示了数据集和模型之间的差异。例如，N-Gram模型似乎比DL模型对缺乏数据更敏感。总的来说，对于类似的实验设置，我们建议以下一般基线：窗口大小10，掩码位置倒数第二，不过滤掉非唯一序列，并使用总数据的一半进行训练。
2022-08-03 cs.SE
A Topology-Aware, Memory-Centric Architecture that Separates Root-Cause Derivation from Root-Cause Explanation
Independent Research Prototype（独立研究原型）
提出OPS CORTEX多智能体原型，通过四层操作记忆分离根本原因推导（基于依赖图与阈值时序）与解释（LLM），解决微服务故障诊断中上下文丢失问题。
2026-06-23 cs.AI cs.SE
