[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-thuml--Anomaly-Transformer":3,"tool-thuml--Anomaly-Transformer":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":97,"env_deps":99,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":150},911,"thuml\u002FAnomaly-Transformer","Anomaly-Transformer","About Code release for \"Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy\" (ICLR 2022 Spotlight), https:\u002F\u002Fopenreview.net\u002Fforum?id=LzQQ89U1qm_","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。\n\n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。\n\n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。\n\nAnomaly-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","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。\n\n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。\n\n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。\n\nAnomaly-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。","# Anomaly-Transformer (ICLR 2022 Spotlight)\nAnomaly Transformer: Time Series Anomaly Detection with Association Discrepancy\n\nUnsupervised detection of anomaly points in time series is a challenging problem, which requires the model to learn informative representation and derive a distinguishable criterion. In this paper, we propose the Anomaly Transformer in these three folds:\n\n- An inherent distinguishable criterion as **Association Discrepancy** for detection.\n- A new **Anomaly-Attention** mechanism to compute the association discrepancy.\n- A **minimax strategy** to amplify the normal-abnormal distinguishability of the association discrepancy.\n\n\u003Cp align=\"center\">\n\u003Cimg src=\".\\pics\\structure.png\" height = \"350\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n## Get Started\n\n1. Install Python 3.6, PyTorch >= 1.4.0. \n(Thanks Élise for the contribution in solving the environment. See this [issue](https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F11) for details.)\n2. Download data. You can obtain four benchmarks from [Google Cloud](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1gisthCoE-RrKJ0j3KPV7xiibhHWT9qRm?usp=sharing). **All the datasets are well pre-processed**. For the SWaT dataset, you can apply for it by following its official tutorial.\n3. Train and evaluate. We provide the experiment scripts of all benchmarks under the folder `.\u002Fscripts`. You can reproduce the experiment results as follows:\n```bash\nbash .\u002Fscripts\u002FSMD.sh\nbash .\u002Fscripts\u002FMSL.sh\nbash .\u002Fscripts\u002FSMAP.sh\nbash .\u002Fscripts\u002FPSM.sh\n```\n\nEspecially, we use the adjustment operation proposed by [Xu et al, 2018](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.03903.pdf) for model evaluation. If you have questions about this, please see this [issue](https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F14) or email us.\n\n## Main Result\n\nWe compare our model with 15 baselines, including THOC, InterFusion, etc. **Generally,  Anomaly-Transformer achieves SOTA.**\n\n\u003Cp align=\"center\">\n\u003Cimg src=\".\\pics\\result.png\" height = \"450\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n## Citation\nIf you find this repo useful, please cite our paper. \n\n```\n@inproceedings{\nxu2022anomaly,\ntitle={Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy},\nauthor={Jiehui Xu and Haixu Wu and Jianmin Wang and Mingsheng Long},\nbooktitle={International Conference on Learning Representations},\nyear={2022},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=LzQQ89U1qm_}\n}\n```\n\n## Contact\nIf you have any question, please contact wuhx23@mails.tsinghua.edu.cn.\n","# Anomaly-Transformer (ICLR 2022 Spotlight)\nAnomaly Transformer：基于关联差异的时间序列异常检测\n\n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：\n\n- 一种内在可区分的判别准则，即用于检测的**关联差异**。\n- 一种新的**异常注意力**机制来计算关联差异。\n- 一种**极小极大策略**来放大关联差异的正常-异常可区分性。\n\n\u003Cp align=\"center\">\n\u003Cimg src=\".\\pics\\structure.png\" height = \"350\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n## 快速开始\n\n1.  安装 Python 3.6 和 PyTorch >= 1.4.0。\n    （感谢 Élise 在解决环境问题上的贡献。详情请参见此 [issue](https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F11)。）\n2.  下载数据。你可以从 [Google 云盘](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1gisthCoE-RrKJ0j3KPV7xiibhHWT9qRm?usp=sharing) 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。\n3.  训练与评估。我们在 `.\u002Fscripts` 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：\n```bash\nbash .\u002Fscripts\u002FSMD.sh\nbash .\u002Fscripts\u002FMSL.sh\nbash .\u002Fscripts\u002FSMAP.sh\nbash .\u002Fscripts\u002FPSM.sh\n```\n\n特别地，我们使用了 [Xu et al, 2018](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.03903.pdf) 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](https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F14) 或通过邮件联系我们。\n\n## 主要结果\n\n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。**\n\n\u003Cp align=\"center\">\n\u003Cimg src=\".\\pics\\result.png\" height = \"450\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n## 引用\n如果你觉得本仓库有用，请引用我们的论文。\n\n```\n@inproceedings{\nxu2022anomaly,\ntitle={Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy},\nauthor={Jiehui Xu and Haixu Wu and Jianmin Wang and Mingsheng Long},\nbooktitle={International Conference on Learning Representations},\nyear={2022},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=LzQQ89U1qm_}\n}\n```\n\n## 联系方式\n如果你有任何问题，请联系 wuhx23@mails.tsinghua.edu.cn。","# Anomaly-Transformer 快速上手指南\n\n## 工具简介\nAnomaly-Transformer 是一个基于关联差异（Association Discrepancy）的时间序列异常检测模型，采用新颖的异常注意力（Anomaly-Attention）机制，在多个基准测试中达到 SOTA 水平。\n\n## 环境准备\n- **Python**: 3.6 或更高版本\n- **PyTorch**: >= 1.4.0\n- **操作系统**: Linux\u002FmacOS\u002FWindows（建议使用 Linux 环境）\n\n## 安装步骤\n\n1. **克隆仓库**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer.git\ncd Anomaly-Transformer\n```\n\n2. **创建 Python 虚拟环境（推荐）**\n```bash\nconda create -n anomaly python=3.8\nconda activate anomaly\n```\n\n3. **安装 PyTorch**\n```bash\n# 根据您的 CUDA 版本选择合适的命令\n# CUDA 11.3 示例（建议使用国内镜像加速）\npip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu113\n\n# 或使用 CPU 版本\npip install torch==1.12.1+cpu torchvision==0.13.1+cpu torchaudio==0.12.1 --extra-index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n```\n\n4. **安装项目依赖**\n```bash\npip install -r requirements.txt\n```\n\n## 数据准备\n\n1. **下载数据集**\n从 [Google Cloud](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1gisthCoE-RrKJ0j3KPV7xiibhHWT9qRm?usp=sharing) 下载预处理的基准数据集，或使用以下备用链接（如遇访问问题）：\n   - 建议通过学术网络或代理访问\n   - 数据集已预处理，可直接使用\n\n2. **放置数据**\n将下载的数据集解压到项目目录的 `dataset` 文件夹中：\n```\nAnomaly-Transformer\u002F\n├── dataset\u002F\n│   ├── SMD\u002F\n│   ├── MSL\u002F\n│   ├── SMAP\u002F\n│   └── PSM\u002F\n```\n\n## 快速开始\n\n### 训练与评估\n项目提供了各个数据集的运行脚本：\n\n```bash\n# 运行 SMD 数据集实验\nbash .\u002Fscripts\u002FSMD.sh\n\n# 运行 MSL 数据集实验  \nbash .\u002Fscripts\u002FMSL.sh\n\n# 运行 SMAP 数据集实验\nbash .\u002Fscripts\u002FSMAP.sh\n\n# 运行 PSM 数据集实验\nbash .\u002Fscripts\u002FPSM.sh\n```\n\n### 自定义数据使用\n如需使用自己的数据，请参照以下步骤：\n\n1. **数据格式准备**\n   - 将数据整理为 numpy 格式（.npy 文件）\n   - 训练集：`train.npy`\n   - 测试集：`test.npy`\n   - 标签集：`test_label.npy`（用于评估）\n\n2. **修改配置文件**\n   复制现有配置文件并修改数据路径和相关参数。\n\n## 注意事项\n- 评估时采用了 [Xu et al, 2018](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.03903.pdf) 提出的调整策略\n- SWaT 数据集需要从其官方网站申请获取\n- 详细的技术细节请参考原论文和代码注释\n\n## 获取帮助\n- 查看 GitHub Issues 中的常见问题\n- 联系作者：wuhx23@mails.tsinghua.edu.cn\n- 引用论文时请使用提供的 BibTeX 格式","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。\n\n### 没有 Anomaly-Transformer 时\n- **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）。\n- **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。\n- **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。\n- **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。\n\n### 使用 Anomaly-Transformer 后\n- **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。\n- **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。\n- **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。\n- **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。\n\nAnomaly-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Anomaly-Transformer_c490c5a2.png","thuml","THUML @ Tsinghua University","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fthuml_2b45f3ea.png","Machine Learning Group, School of Software, Tsinghua University",null,"mingsheng@tsinghua.edu.cn","http:\u002F\u002Fise.thss.tsinghua.edu.cn\u002F~mlong","https:\u002F\u002Fgithub.com\u002Fthuml",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",92.7,{"name":90,"color":91,"percentage":92},"Shell","#89e051",7.3,1010,270,"2026-04-04T15:27:22","MIT","未说明","需要 NVIDIA GPU，PyTorch >= 1.4.0，CUDA 版本未说明",{"notes":100,"python":101,"dependencies":102},"建议使用 conda 管理环境，需下载数据集（Google Cloud），部分数据集需单独申请（如 SWaT），评估时使用了 Xu et al, 2018 的调整操作","3.6+",[103],"torch>=1.4.0",[13],[106,107,108],"anomaly-detection","deep-learning","time-series","2026-03-27T02:49:30.150509","2026-04-06T06:45:55.172327",[112,117,122,126,131,136,141,146],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},3985,"什么是“检测调整”（detection adjustment）？为什么需要使用它？","检测调整是一种用于时间序列异常检测的评估协议，目的是衡量模型在“异常事件检测”任务上的能力。使用它的原因主要有两点：1）公平比较：这是该领域广泛使用的惯例，论文中对比的基线方法也都使用了此调整进行评估。2）现实意义：一个异常事件会导致一段连续的异常点，调整操作对应的是从整个记录中检测出异常事件的任务，这在现实应用中很有意义。一旦检测到异常事件，就可以派工作人员去检查该时间段。你可以将其视为一种评估协议。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F14",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},3986,"在真实应用（没有测试集标签）中，如何使用检测调整代码？","检测调整仅用于计算评估指标（如F1分数）。如果你是想将模型用于实际部署，直接注释掉 `solver.py` 中第339-360行附近的检测调整代码即可。该调整操作在评估时依赖于真实标签（ground truth），在生产环境中没有标签时不应使用。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F43",{"id":123,"question_zh":124,"answer_zh":125,"source_url":116},3987,"注释掉检测调整后，模型性能大幅下降，这是为什么？","这是正常的，因为检测调整极大地放宽了评估标准。根据调整规则，只要在一个异常区间内至少有一个点被预测为异常，整个区间都被视为“正确检测”。因此，使用调整后的指标（F1分数）会显著高于未调整的、严格的逐点评估指标。性能下降表明模型在精确的逐点定位上可能存在困难，而调整指标更侧重于检测出异常事件（区间）的存在。",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},3988,"代码中在测试集（test_loader）上进行验证和阈值选择，是否存在数据泄露或不公平评估？","是的，原代码确实在测试集上进行验证和阈值选择，这在一定程度上存在测试数据泄露。更严谨的做法是：1）在验证集（vali_loader）上进行模型验证（validation）。2）在验证集或训练集上选择阈值（threshold），而不是在测试集上。你可以重新划分数据集，将训练集分为训练和验证两部分。由于论文关注无监督设置，最终将训练集和验证集合并以扩大数据量。实际上，无论使用哪个子集（训练集或验证集）选择阈值，最终结果差异不大，但为保持严谨性，建议在非测试集上操作。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F27",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3989,"关于 Prior-Association 中 sigma 的数学处理（如 attn.py 第48-49行），原因是什么？论文中似乎没有提及。","对 sigma 进行的数学处理（如标准化或缩放）是为了稳定训练过程，并确保先验关联（Prior-Association）和后验关联（Series-Association）处于可比较的数值范围内。这是一种实现细节，旨在优化模型的训练动态，可能未在论文正文中详细阐述，但对模型的实际收敛很重要。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F22",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3990,"UCR 数据集的标注文件在哪里可以找到？","UCR 时间序列异常数据集的标注文件可以从以下链接获取：https:\u002F\u002Fwww.cs.ucr.edu\u002F~eamonn\u002Ftime_series_data_2018\u002FUCR_TimeSeriesAnomalyDatasets2021.zip","https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F16",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},3991,"在 RTX 3090（CUDA 11+）上运行代码时遇到问题，如何解决？","原代码基于 PyTorch 1.4（默认 CUDA 10.1）。对于 RTX 3090（需要 CUDA 11+），可以升级 PyTorch 版本（如 1.7+）。关键修改在 `solver.py` 的 MiniMax 训练模块中。将原来的两次 `backward()` 和 `step()` 调用修改为以下形式，以兼容更高版本的 PyTorch：\n```python\nloss1.backward(retain_graph=True)\nloss2.backward()\nself.optimizer.step()  # 只调用一次 step()\n```\n更新后的代码可在 torch >= 1.4.0 的环境中良好运行。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FAnomaly-Transformer\u002Fissues\u002F11",{"id":147,"question_zh":148,"answer_zh":149,"source_url":135},3992,"实验数据集的训练集中是否包含异常点？附录表13中的AR（异常比例）是针对整个数据集还是测试集？","1）训练集中确实包含异常点。由于我们专注于无监督方法，在训练过程中不使用标签信息。2）AR（异常比例）是从所有数据（包括训练集和测试集）的组合中计算得出的，代表整个数据集的真实异常比例。",[]]