本文对基于深度学习的异常检测的研究方法进行了系统全面的综述。此外，还回顾了这些方法对不同应用领域异常的应用，并评估了它们的有效性。

Javascript中数据流的异常值检测 这是用于预测数据集中异常值的多元正态分布模型的实现。 有两种数据要么是异常值，要么是正常数据。 假设正态数据已生成高斯分布。 我们选择一个阈值是指截断尾部形状。 该算法是对称的，因此它可以考虑异常值的两个极端（高和低）。 阈值的值可以通过训练对测试数据集执行交叉验证来估计。 这个库是使用 syvester.js 库构建的。 包中的 html 文件显示了它在实践中的使用方式。 但是，index1.html 示例中的演示适用于 3 维数据。 这可以通过修改 outlier.js 中的 mergeArrays 方法来更新。 这是因为我们正在附加批量数据，并且几行代码调整将使其适用于任意数量的维度。 该算法遵循从不混合训练集和测试集的原则。 我们需要设置分类器来开始这个过程。 该数据不作为训练集，下一批数据将被馈送到分类器。 在训练集上获得协方差矩

领域：异常检测，深度学习 方法：非监督对抗学习 场景：硬盘故障检测 网络结构：基于LSTM自编码器与生成式对抗网络相结合 数据集：BackBlaze 采用非监督对抗学习的好处，由于训练阶段未用到异常样本(即正样本)，模型不受样本不均衡的影响，很好的避免了由于训练样本不均衡导致的过拟合问题。 已有研究大都使用5 天以内的短期序列数据进行学习和检测，不能很好的学习到自我监测分析报告数据长期稳定的变化趋势，使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生成式对抗网络相结合的网络结构，采用对抗训练方法，使模型学习正常样本在样本空间和潜在空间两个....

这篇论文是Breunig于2000年发表在Proc. ACM SIGMOD 2000 Int. Conf. On Management of Data的关于LOF算法的经典论文，需要了解该算法的同学可以详细读一读。

本文设计了一款人体行为异常监控系统，主要适用人群是老年人，在摄像头固定的情况下，自动检测人体运动轨迹，并与提前设定好的行为库进行匹配，分析判断是否具有异常行为。 在数字图像预处理部分采用了图像二值化，腐蚀与膨胀等几种方法为人体目标的跟踪和检测做准备。为了克服在实际操作中遇到的问题，采用了帧差法和ViBe算法，帧差法即利用帧间变化与当前帧、背景算法来判断它是否大于阈值，并分析视频中序列的运动特性，ViBe算法则是一种背景建模的方法，背景模型是由邻域像素来创建，并对比背景模型、当前输入像素值检测出前景，确定视频中的目标跟踪。在人体行为识别中，运动目标最小长宽比以及连续帧间的加速度来判断人体行为是否

DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION 用于非监督异常检测的深度自编码高斯混合模型

博客中第三、四篇论文的PPT版本（里面含有动画，看起来更容易理解一些） 《2018Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding》和《2019MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks》

（十三）Time-Series Anomaly Detection Service at Microsoft 微软时间序列异常检测服务

《Outlier Detection for Time Series with Recurrent Autoencoder Ensembles 基于递归自编码集成的时间序列离群点检测》

流量异常检测的东西，百度的资源分数太高了，下一个挪到CSDN给大家分享。