De vuelta a la reparación: Una red mínima de eliminación de ruido para la detección de anomalías en series temporales

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

April 19, 2026

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

cs.AI

Resumen

Presentamos JuRe (Just Repair), una red mínima de eliminación de ruido para detección de anomalías en series temporales que revela un hallazgo central: la complejidad arquitectónica es innecesaria cuando el objetivo de entrenamiento implementa correctamente el principio de proyección en la variedad. JuRe consiste en un único bloque residual convolucional separable en profundidad con dimensión oculta 128, entrenado para reparar ventanas de series temporales corruptas y evaluado en inferencia mediante una función de discrepancia estructural fija y sin parámetros. A pesar de no utilizar atención, variables latentes ni componentes adversarios, JuRe ocupa el segundo puesto en el benchmark multivariante TSB-AD (AUC-PR 0.404, 180 series, 17 conjuntos de datos) y el segundo en el archivo univariante UCR por AUC-PR (0.198, 250 series), liderando todos los baselines neuronales en AUC-PR y VUS-PR. La ablación de componentes en TSB-AD identifica la corrupción durante el entrenamiento como el factor dominante (ΔAUC-PR = 0.047 al eliminarla), confirmando que el objetivo de eliminación de ruido, no la capacidad de la red, impulsa la calidad de la detección. Las pruebas de rangos con signo de Wilcoxon por pares establecen significancia estadística frente a 21 de 25 baselines en TSB-AD. El código está disponible en la URL https://github.com/iis-esslingen/JuRe.

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.