标题
Unsupervised Anomaly Detection Based on Minimum Spanning Tree Approximated Distance Measures and Its Application to Hydropower Turbines（官方源地址）（原文地址）
期刊
IEEE Transactions on Automation Science and Engineering（2区）
文章的思路
方法
- 使用高维数据（222维，p11左栏第1段）构造图数据结构
- 使用LoMST方法进行分析（详见算法1 Algorithm 1）
- 用决策树（decision tree）对聚类结果进行分析，相当于把非监督问题转化成了监督问题，使得结果具有一定的可解释性（p12右栏第1、2段）
目标
提出的方法可以有效地识别异常，可以辅助工作人员寻找异常
理解论文的关键点
- p5右栏倒数第2段：解释了为什么归一化处理之前还要进行特殊处理，对应于Algorithm 1 stage 2的第8步
- p6左栏倒数第1段：解释了如何基于观察来选择k
关键细节
- 222 attribute variables（p11左栏第1段）使用了222个点，使用的点很多，但是没说具体是哪些点，也没分析为什么用这些点
- 10-min intervals（p11左栏第1段）10分钟的采样间隔
值得学习的参考文献
2018-Outlier detection for hydropower generation plant（是本文的雏形，暂时不用看）
值得学习的施引文献
- 2019-会议–O-LoMST: An Online Anomaly Detection Approach And Its Application In A Hydropower Generation Plant
- 2019-3区-Hydroelectric Generating Unit Fault Diagnosis Using 1-D Convolutional Neural Network and Gated Recurrent Unit in Small Hydro（常年3区，但是有提升到2区的趋势）
- 2020-3区-Anomaly detection for condition monitoring data using auxiliary feature vector and density-based clustering（稳稳的3区，有时间再看）
值得引用的地方
unsupervised detection methods tend to have a lower detection capability and higher false alarm rate, as compared to general supervised learning algorithms. As a result, unsupervised detection methods are typically used as a screening tool, flagging potential anomalies to be further analyzed by either a human operator or some more expensive procedure.（p6左栏第1段）
完美的托词。非监督检测的检测能力不强，所以一般起辅助作用。
值得学习的地方
为了便于审稿人/读者理解，算法最好列表明示，另外流程图也是很棒的表达方式。
存在的问题
。。。