KDD2019，时序数据，异常检测，已部署于微软、Windows、Bing、Office365等。
目标：
以无监督的方式开发一种更有竞争力的数据异常检测方法，同时兼顾准确性、效率和通用性。
贡献：
1.将视觉显著性检测领域的谱残差模性SR用到异常检测应用中。
2.SR与CNN相结合，无监督：SR，有监督:CNN相结合。
模型：
SR算法：
x只是输入的序列数据，一般是滑动窗口数据。
1.通过傅里叶变换之后计算振幅谱A(f)。
2.计算相位谱P(f)（复数x+i*y的相位是arctan(y/x)）。
3.对振幅谱做Log得到L(f)。
4.AL(f)是L(f)进行均值滤波之后的结果。
5.R(f)就是Spectral Residual谱。
6.再进行一个傅里叶反变换就可以得到显著区域。
下图是一个原数据和经过转换之后的对比，效果很好。
SR+CNN模型
SR是手动设置阈值，比较麻烦，可以训练一个CNN分类器。
将CNN应用于SR模型的输出，CNN负责学习一个判别规则代替原来的SR所采用的单一阈值。
CNN部分结构很简单，两层的一维卷积，两层全连接层，最后输出一个概率，使用Cross entropy作为loss函数，SGD作为优化方法。
数据：
使用了三个数据集的数据，两个是公开的，一个是内部的。
- KPI竞赛数据集
这个是国内一个比赛的数据集，大部分的数据采集的频率都是一分钟，也有一部分是5分钟的。
- Yahoo数据集
一部分是合成的，一部分是来自真实环境的。采集的频率是一小时
- 微软内部数据集
序列多种多样，有收入曲线，活跃用户数曲线，页面浏览量曲线等等，是采用随机抽取部分的曲线进行验证的。然后数据是由用户或者编辑手工标注的。
总结：
论文首次把视觉中应用广泛的SR算法引入到了时间序列的异常检测中来，达到了非常好的效果，速度也非常快。
微软在Azure也开放了接口可以免费试用，有兴趣可以试试。