Ritorno alla Riparazione: Una Rete di Denoising Minimale per il Rilevamento di Anomalie nelle Serie Temporali

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

April 19, 2026

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

cs.AI

Abstract

Introduciamo JuRe (Just Repair), una rete di denoising minimale per il rilevamento di anomalie nelle serie temporali che rivela un risultato centrale: la complessità architetturale non è necessaria quando l'obiettivo di addestramento implementa correttamente il principio di proiezione sul varietà. JuRe è composta da un singolo blocco residuo convoluzionale depthwise-separabile con dimensione nascosta 128, addestrata a riparare finestre di serie temporali corrotte e valutata in fase di inferenza da una funzione di discrepanza strutturale fissa e priva di parametri. Nonostante non utilizzi meccanismi di attention, variabili latenti o componenti adversarial, JuRe si classifica al secondo posto nel benchmark multivariato TSB-AD (AUC-PR 0.404, 180 serie, 17 dataset) e al secondo posto nell'archivio univariato UCR per AUC-PR (0.198, 250 serie), guidando tutti i baseline neurali in termini di AUC-PR e VUS-PR. L'ablation dei componenti su TSB-AD identifica la corruzione durante l'addestramento come il fattore dominante (ΔAUC-PR = 0.047 alla rimozione), confermando che è l'obiettivo di denoising, e non la capacità della rete, a determinare la qualità del rilevamento. Test di Wilcoxon signed-rank a coppie stabiliscono la significatività statistica rispetto a 21 dei 25 baseline su TSB-AD. Il codice è disponibile all'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.