如有侵权或其他问题，欢迎留言联系更正或删除。一 序言1. 出处：2022 ICLR2. 代码：https://github.com/thuml/Anomaly-Transformer3. 整体思路：4.历史主流方法对比：LOF、OC-SVM、SVDD（传统机器学习方法）：泛化性差、忽略时间模式（temporal pattern）RNN（重建或自回归）：虽考虑到时间模式，但仍逐点计算重建误差、预测误差，无法提供对时间背景的全面描述显式关联建模：GNN：仍只考虑“点对点关联”的信息建模，信息不足； 基于子序列的方法：无法捕获各时间点与整个序列间的细粒度关联，细粒度不足5. 故本文提出"temporal association (series-association)"：（概念理解）