再修理へ：時系列異常検出のための最小限ノイズ除去ネットワーク

要旨

我々はJuRe（Just Repair）を提案する。これは時系列異常検出のための最小限のノイズ除去ネットワークであり、重要な知見として「多様体射影原理を適切に実装した訓練目標があれば、構造的複雑性は不要である」ことを示す。JuReは隠れ次元128の単一のDepthwise-separable畳み込み残差ブロックから構成され、破損した時系列ウィンドウを修復するように訓練され、推論時にはパラメータ不要の構造的不一致関数でスコアリングされる。Attention機構、潜在変数、敵対的要素を一切使用していないにも関わらず、JuReはTSB-AD多変量ベンチマーク（AUC-PR 0.404、180系列、17データセット）で第2位、UCR単変量アーカイブのAUC-PR（0.198、250系列）で第2位を達成し、AUC-PRとVUS-PRの両方でニューラルベースラインをリードした。TSB-ADでの構成要素アブレーション研究では、訓練時のデータ破損が支配的要因であることが確認され（除去時のΔAUC-PR = 0.047）、検出品質を駆動するのはネットワーク容量ではなくノイズ除去目標であることが実証された。対比較ウィルコクソンの符号順位検定により、TSB-ADにおいて25のベースライン中21に対して統計的有意差が確認された。コードはhttps://github.com/iis-esslingen/JuRe で公開されている。

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.

再修理へ：時系列異常検出のための最小限ノイズ除去ネットワーク

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

要旨

Support