Zurück zur Reparatur: Ein minimales Entrauschungsnetzwerk für Zeitreihen-Anomalieerkennung

Back to Repair: A Minimal Denoising Network\ for Time Series Anomaly Detection

April 19, 2026

Autoren: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler

cs.AI

Zusammenfassung

Wir stellen JuRe (Just Repair) vor, ein minimales Rauschunterdrückungsnetzwerk für die Zeitreihen-Anomalieerkennung, das eine zentrale Erkenntnis offenlegt: Architektonische Komplexität ist unnötig, wenn das Trainingsziel das Manifold-Projektionsprinzip korrekt implementiert. JuRe besteht aus einem einzigen depthwise-separierbaren faltenden Residualblock mit einer versteckten Dimension von 128, der darauf trainiert wird, korrumpierte Zeitreihenfenster zu reparieren und zur Inferenz durch eine feste, parameterfreie Strukturdiskordanzenfunktion bewertet wird. Obwohl es weder Attention-Mechanismen, latente Variablen noch adversariale Komponenten verwendet, belegt JuRe den zweiten Platz im multivariaten TSB-AD-Benchmark (AUC-PR 0.404, 180 Reihen, 17 Datensätze) und den zweiten Platz im univariaten UCR-Archiv gemessen an AUC-PR (0.198, 250 Reihen) und führt damit alle neuronalen Baseline-Modelle in Bezug auf AUC-PR und VUS-PR an. Eine Komponentenablation auf TSB-AD identifiziert die Korrumpierung während des Trainings als dominierenden Faktor (ΔAUC-PR = 0,047 bei Entfernung), was bestätigt, dass das Rauschunterdrückungsziel und nicht die Netzwerkkapazität die Erkennungsqualität treibt. Paarweise Wilcoxon-Vorzeichen-Rang-Tests belegen die statistische Signifikanz gegenüber 21 von 25 Baseline-Modellen auf TSB-AD. Der Code ist unter der URL https://github.com/iis-esslingen/JuRe verfügbar.

English

We introduce JuRe (Just Repair), a minimal denoising network for time series anomaly detection that exposes a central finding: architectural complexity is unnecessary when the training objective correctly implements the manifold-projection principle. JuRe consists of a single depthwise-separable convolutional residual block with hidden dimension 128, trained to repair corrupted time series windows and scored at inference by a fixed, parameter-free structural discrepancy function. Despite using no attention, no latent variable, and no adversarial component, JuRe ranks second on the TSB-AD multivariate benchmark (AUC-PR 0.404, 180 series, 17 datasets) and second on the UCR univariate archive by AUC-PR (0.198, 250 series), leading all neural baselines on AUC-PR and VUS-PR. Component ablation on TSB-AD identifies training-time corruption as the dominant factor (ΔAUC-PR = 0.047 on removal), confirming that the denoising objective, not network capacity, drives detection quality. Pairwise Wilcoxon signed-rank tests establish statistical significance against 21 of 25 baselines on TSB-AD. Code is available at the URL https://github.com/iis-esslingen/JuRe.