Anomaly-Transformer
Anomaly-Transformer 是一个用于时间序列异常检测的开源模型，它能够自动识别数据中不寻常的波动或异常点，而无需预先标注异常样本。该模型基于 Transformer 架构改进而来，特别针对时间序列数据中异常难以区分的问题，通过自监督学习捕捉正常模式与异常模式之间的差异。
在工业设备监控、服务器运维、金融交易分析等场景中，时间序列数据常常包含潜在的异常点，传统方法依赖人工规则或大量标注数据，难以适应复杂多变的实际情况。Anomaly-Transformer 提出了一种称为“关联差异”的内在判别准则，使模型能够更清晰地区分正常与异常模式，从而显著提升检测准确率。
其技术亮点主要包括：设计了全新的“异常注意力”机制来量化序列中不同时间点之间的关联差异，并采用“极小极大优化策略”进一步放大正常与异常之间的可区分性。这些创新使得模型在多个公开数据集上达到了当前最优水平。
Anomaly-Transformer 主要面向机器学习研究人员、数据科学家以及从事智能运维、工业物联网等领域的开发者。使用者需要具备一定的 Python 和 PyTorch 基础，能够按照提供的脚本进行数据准备、模型训练与评估。项目代码结构清晰，并附有详细的复现指南，方便用户快速应用于实际场景或开展相关研究。
使用场景
某大型数据中心运维团队负责监控数千台服务器的运行状态，需要实时检测CPU温度、内存使用率、网络流量等多项指标的异常，以防止硬件故障或服务中断。
没有 Anomaly-Transformer 时
- 依赖简单阈值告警：为每项指标设置固定阈值（如CPU使用率>90%），导致大量误报（如业务高峰期的正常波动）和漏报（如缓慢的内存泄漏未触发阈值）。
- 多指标关联分析困难：难以自动发现“网络流量骤降伴随CPU使用率轻微上升”这类跨指标的复杂异常模式，需要运维人员凭经验手动关联查看多个仪表盘。
- 标注成本高昂：历史异常数据稀少且类型多样，难以收集足够的有标签数据来训练有监督模型，传统无监督方法（如基于重构误差）对复杂时间序列模式的区分度有限。
- 根因定位模糊：检测到“系统异常”后，难以快速定位是哪个维度的指标、在哪个具体时间点最先出现异常，排查耗时较长。
使用 Anomaly-Transformer 后
- 实现自适应异常评分：利用“关联差异度”作为检测标准，能区分正常波动与真实异常，显著减少因周期性峰值或业务增长产生的误报。
- 捕捉跨维度依赖关系：通过“异常注意力”机制自动学习不同时间点、不同指标间的关联模式，能精准识别出多个指标间隐蔽的关联性异常。
- 无需人工标注：基于无监督的“极小极大策略”进行训练，直接从海量正常数据中学习，有效解决了异常样本稀缺的难题，并提升了模型对未知异常类型的泛化能力。
- 提供可解释的异常点：模型不仅能输出异常分数，还能通过注意力权重清晰地指出最相关的异常时间点和指标维度，极大缩短了故障根因分析时间。
Anomaly-Transformer 通过其创新的关联差异度与注意力机制，将时间序列异常检测从简单的阈值监控升级为可解释、高精度的智能诊断，直接提升了运维系统的可靠性与响应效率。
运行环境要求
- 未说明
需要 NVIDIA GPU，PyTorch >= 1.4.0，CUDA 版本未说明
未说明
快速开始
Anomaly-Transformer (ICLR 2022 Spotlight)
Anomaly Transformer：基于关联差异的时间序列异常检测
在时间序列中无监督地检测异常点是一个具有挑战性的问题，它要求模型学习信息丰富的表示并推导出可区分的判别准则。本文中，我们通过以下三个方面提出了 Anomaly Transformer：
- 一种内在可区分的判别准则，即用于检测的关联差异。
- 一种新的异常注意力机制来计算关联差异。
- 一种极小极大策略来放大关联差异的正常-异常可区分性。
快速开始
- 安装 Python 3.6 和 PyTorch >= 1.4.0。 （感谢 Élise 在解决环境问题上的贡献。详情请参见此 issue。）
- 下载数据。你可以从 Google 云盘 获取四个基准数据集。所有数据集都已预先处理。对于 SWaT 数据集，你可以按照其官方教程申请获取。
- 训练与评估。我们在
./scripts文件夹下提供了所有基准数据集的实验脚本。你可以按如下方式复现实验结果：
bash ./scripts/SMD.sh
bash ./scripts/MSL.sh
bash ./scripts/SMAP.sh
bash ./scripts/PSM.sh
特别地，我们使用了 Xu et al, 2018 提出的调整操作进行模型评估。如果你对此有疑问，请查看此 issue 或通过邮件联系我们。
主要结果
我们将我们的模型与 15 个基线模型进行了比较，包括 THOC、InterFusion 等。总体而言，Anomaly-Transformer 达到了 SOTA（State-Of-The-Art）水平。
引用
如果你觉得本仓库有用，请引用我们的论文。
@inproceedings{
xu2022anomaly,
title={Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy},
author={Jiehui Xu and Haixu Wu and Jianmin Wang and Mingsheng Long},
booktitle={International Conference on Learning Representations},
year={2022},
url={https://openreview.net/forum?id=LzQQ89U1qm_}
}
联系方式
如果你有任何问题，请联系 wuhx23@mails.tsinghua.edu.cn。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。