• Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding (Hundman et al. [2018])—宇航员，开源，将多通道分成单通道。

本文创新之处有两个：提出一种动态、无监督的确定阈值的方法；重新判定是否异常以减少误报率。

  本文只向后预测一步，并且只预测一个维度，收集每一步的误差组成误差向量，并对误差向量做指数平滑处理，然后根据平滑后的数据计算阈值。但是文章中计算阈值公式部分写的不规范，暂时还没有看懂。

  得到阈值后，找出高于阈值的样本点标记为异常，然后作者为了降低误报率，对高于阈值的残差做降序排列，再补充低于阈值的最大残差，计算相邻两个残差的下降率。将下降率和最小下降率p依次比较，将小于p对应的样本点及其后面的样本点标记为正常。

• Deep learning for anomaly detectionin multivariate time series data (Assendorp et al.[2017])–90页，目前正在看，背景介绍很详细,使用了现实数据集。
• Binet: Multivariate business process anomaly detection using deep learning (Nolle et al. [2018b])–60个合成和21个真实事件，500多页，先放一放
• A deep neural network for unsupervised anomaly detection and diagnosis in multivariate time series data (Zhang et al. [2018e])–不开源
• Multidimensional time series anomaly detection: A gru-based gaussian mixture variational autoencoder approach (Guo et al. [2018])

• Aircraft engine fault detection based on grouped convolutional denoising autoencoders (Fu et al. [2019])

首先，受计算机视觉方法的启发，所有变量根据它们的相关性分成不同的组。 然后，使用改进的卷积去噪自动编码器来提取每组的特征。 最后，融合所有提取的特征以形成特征向量。 因此，可以基于这些特征向量识别故障样本。

• Outlier detection for multidimensional time series using deep neural networks (Kieu et al. [2018]) –不开源
• Packet-data anomaly detection in pmu-based state estimator using convolutional neural network (Basumallik et al. [2019])–不开源
• Jiffy: A convolutional approach to learning time series similarity (Shanmugam et al. [2018])–开源代码：https://github.com/iclrjiffysubmission/iclr_jiffy_submission
•  
• Estimation of dimensions contributing to detected anomalies with variational autoencoders (Ikeda et al. [2018]) 不开源。
• 我们提出了一种新的算法，通过使用变分自动编码器（VAE）来估计对检测到的异常有贡献的维度。 我们的算法基于近似概率模型，该模型考虑数据中异常的存在，并且通过最大化对数似然，我们估计哪些维度有助于将数据确定为异常
•  
• A multimodal anomaly detector for robot-assisted feeding using an lstm-based variational autoencoder (Park et al. [2018b])
• 检测异常执行对于减少辅助操作中的潜在危险是有价值的。 多模态感觉信号可以帮助检测各种异常。 然而，高维和异质模态的融合是一个具有挑战性的问题。 我们介绍了一种基于长期记忆的变分自动编码器（LSTM-VAE），它可以融合信号并重建其预期的分布。 我们还介绍了一种基于LSTM-VAE的探测器，它使用基于重建的异常分数和基于状态的阈值。 对于包括12种代表性异常类型的1555个机器人辅助进料执行的评估，我们的检测器在接收器操作特征曲线（AUC）下的面积比文献中的其他5个基线检测器高0.8710。 我们还通过比较我们的探测器与17个原始感觉信号与4个手工设计特征，通过LSTM-VAE显示多模式融合是有效的。

• Mad-gan: Multivariate anomaly detection for time series data with generative adversarial networks (Li et al. [2019]) 开源—很有用，可以好好看看。

• A combined deep learning gru-autoencoder for the early detection of respiratory disease in pigs using multiple environmental sensors (Cowton et al. [2018])
• –提供一个工具库：https://github.com/linkedin/luminol
•  
• Recurrent neural network language models for open vocabulary event-level cyber anomaly detection (Tuor et al. [2018])

提供一个数据集

： 与Isolation Forest和Principal Components Analysis（两种流行的异常检测算法）相比，我们在Los Alamos国家实验室网络安全数据集中观察到了卓越的性能。  Los Alamos National Laboratory Cyber Security dataset 不是时序的数据集吧。

谷歌实习生的工作：–不是multivariate的

资源集合：

https://github.com/yzhao062/anomaly-detection-resources

雅虎的一个数据集：

https://yahooresearch.tumblr.com/post/114590420346/a-benchmark-dataset-for-time-series-anomaly

—已经在申请了

全部的数据集：

http://odds.cs.stonybrook.edu/#table3

哈佛大学：

https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/OPQMVF

好像不是时序的。

：

这个好像也不是时序的：

https://ir.library.oregonstate.edu/concern/parent/m326m709w/file_sets/mp48sk328