《2019Cross-dataset Time Series Anomaly Detection for Cloud Systems云系统跨数据集时间序列异常检测》和《2019Learning Competitive and Discriminative Reconstructions for Anomaly Detection异常检测的竞争和判别重构学习》

全球人工智能技术创新大赛 赛道一: 医学影像报告异常检测

论文用caj文件管理器打开哈

时间序列异常的公开数据集，内有异常和正常的标注。内含五个不同的数据集，包括环境温度异常检测、cpu使用率的异常检测、请求延迟系统故障检测、机器温度异常检测和纽约出租车数量异常检测。

这篇文章对LOF算法进行了详细的描述， 并用Python语言做了具体的实现，此外给出了详尽的例子和绘图，想要了解该算法的tx可以下载本文，值得推荐！

异常检测使用数据集.zip

基于Autoencoder和HMM的时间序列异常检测方法

LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

《2018Web traffic anomaly detection using C-LSTM neural networks基于C-LSTM神经网络的Web流量异常检测》和《2019Anomaly Detection Based on ConvolutionalRecurrent Autoencoder for IoT Time Series基于卷积递归自编码器的物联网时间序列异常检测》

异常检测(AD)问题具有重要的意义，近年来引起了许多研究者的关注。因此，在这一研究领域提出的方法数量稳步增加。AD与重要的计算机视觉和图像处理任务(如图像/视频异常、不规则和突发事件检测)密切相关。最近，深度神经网络(DNNs)提供了一组高性能的解决方案，但代价是高昂的计算成本。然而，在前面提出的方法和可应用的实际方法之间有一个明显的差距。