输入单元重要性归因，即计算输入中各个单元的重要性（Importance）。重要性能够反映该输入单元对于神经网络的影响大小，重要性越高，表明影响越大。为输入单元的重要性进行量化和分析，能够帮助人们理解是哪些输入变量促使神经网络得到了当前的结果，从而对神经网络的特征建模有一个初步的认识。这里介绍包括SHAP算法、LIME算法、导向反向传播算法、积分梯度算法、逐层相关性传播算法等。......

最大激活响应可视化、网络解剖与特征语义分析、基于反向传播的输入重建可视化、GAM/Grad-CAM

最大激活响应可视化、网络解剖与特征语义分析、基于反向传播的输入重建可视化、GAM/Grad-CAM

LSTM非常擅长处理时序信息也能处理空间信息。但对于三维图形来讲，因为有着丰富的空间信息并且每一个点和周围是有很强的相关性的，这就带来了冗余，传统的LSTM是很难刻画这种空间特征的。为了克服LSTM在处理三维信息中的不足，ConvLSTM 将 LSTM 中的2D的输入转换成了3D的tensor，最后两个维度是空间维度（行和列）。对于每一时刻t的数据，ConvLSTM 将 LSTM 中的一部分连接操

输入单元重要性归因，即计算输入中各个单元的重要性（Importance）。重要性能够反映该输入单元对于神经网络的影响大小，重要性越高，表明影响越大。为输入单元的重要性进行量化和分析，能够帮助人们理解是哪些输入变量促使神经网络得到了当前的结果，从而对神经网络的特征建模有一个初步的认识。这里介绍包括SHAP算法、LIME算法、导向反向传播算法、积分梯度算法、逐层相关性传播算法等。......

最大激活响应可视化、网络解剖与特征语义分析、基于反向传播的输入重建可视化、GAM/Grad-CAM

文章提出的方法：多尺度卷积递归编码器-解码器（Multi-Scale Convolutional Recurrent Encoder-Decoder, MSCRED）该方法的主要思路：(1) MSCRED首先构造多尺度（分辨率）特征矩阵来描述跨不同时间步的多级系统状态，系统状态的不同级别表示不同异常事件的严重程度。(2) 给定签名矩阵，使用卷积编码器对传感器之间的相关模式进行编码，并使用基于注意力

输入单元重要性归因，即计算输入中各个单元的重要性（Importance）。重要性能够反映该输入单元对于神经网络的影响大小，重要性越高，表明影响越大。为输入单元的重要性进行量化和分析，能够帮助人们理解是哪些输入变量促使神经网络得到了当前的结果，从而对神经网络的特征建模有一个初步的认识。这里介绍包括SHAP算法、LIME算法、导向反向传播算法、积分梯度算法、逐层相关性传播算法等。......

L1和L2正则化

为了充分利用多元时间序列中传感器之间的复杂关系，利用图神经网络（GNNs）来学习传感器之间的关系图。现有的方法没有明确地学习变量之间现有关系的结构，或使用它们来预测时间序列的预期行为。基于图的方法通过用边表示相互依赖关系，为传感器之间的关系建模提供了一种方法。：为多元时间序列数据开发特定的方法，明确地捕获传感器之间的关系图。...