HILAD是一个新框架，旨在通过人工智能与人类之间的动态双向协作来提升时间序列异常检测模型。HILAD通过可视化界面赋予领域专家在大规模上检测、解释和纠正意外的模型行为的能力。评估和用户研究证明了HILAD在深入人类理解、立即纠正行动以及模型可靠性提升方面的有效性。

CARLA是一种自监督对比表示学习方法，用于时间序列异常检测。它通过学习时间上接近的窗口的相似表示和窗口及其等效异常窗口的不相似表示，以及使用自监督方法对窗口的正常/异常表示进行分类。CARLA在多个基准数据集上表现出比现有方法更好的性能，突显了对比表示学习在时间序列异常检测领域的潜力。