16年上海科技的论文，上海科技做这个方向的系大佬多多的。

摘要

受基于稀疏编码的异常检测能力的激励，我们提出了一种时间相干稀疏编码(TSC)，其中我们强制用相似的重构系数对相似的相邻帧进行编码。然后，我们用一种特殊类型的层叠递归神经网络来映射旅行商问题。通过利用sRNN同时学习所有参数，可以避免对TSC进行非平凡的超参数选择，同时利用浅层sRNN，可以在前向通路中推断重构系数，从而降低学习稀疏系数的计算成本。本文的贡献有两个方面:1)我们提出了一个可映射到支持向量机神经网络的支持向量机模型，该模型有助于参数优化和加速异常预测。ii)我们构建了一个非常大的数据集，就数据量和场景多样性而言，该数据集甚至大于所有现有异常检测数据集的总和。在一个玩具数据集和真实数据集上的大量实验表明，我们的基于训练样本集和基于支持向量机的方法始终优于现有的方法，这验证了我们的方法的有效性。

贡献

1. 我们开发了一个用于异常检测的TSC公式，它可以被解释为一个特殊的sRNN。在sRNN的帮助下，测试阶段的异常预测速度大大加快。
2. 我们构建了一个新的异常检测数据集，它包含了更加多样的场景，将异常检测的研究推向了实际应用

为什么做：

之前的方法基于稀疏编码重构误差来检测异常，整个算法运行缓慢，为了克服这个问题做了这篇文章。