Back to Repair: 시계열 이상 감지를 위한 최소 잡음 제거 네트워크

초록

우리는 JuRe(Just Repair)를 소개한다. 이는 시계열 이상 감지를 위한 최소 잡음 제거 네트워크로, 핵심 발견점을 제시한다: 매니폴드 투영 원리를 올바르게 구현한 훈련 목표가 있을 때는 구조적 복잡성이 불필요하다는 점이다. JuRe는 은닉 차원 128의 단일 깊이별 분리 가능 합성곱 잔차 블록으로 구성되며, 손상된 시계열 창을 복구하도록 훈련되고 추론 시에는 고정된 매개변수 없는 구조적 불일치 함수로 점수가 매겨진다. 어텐션, 잠재 변수, 적대적 구성 요소를 전혀 사용하지 않음에도 불구하고, JuRe는 TSB-AD 다변량 벤치마크(AUC-PR 0.404, 180개 시계열, 17개 데이터셋)에서 2위를, AUC-PR 기준 UCR 단변량 아카이브(0.198, 250개 시계열)에서 2위를 기록하며 AUC-PR과 VUS-PR 모두에서 모든 신경망 기준 모델을 선도했다. TSB-AD에 대한 구성 요소 제거 실험은 훈련 시 손상 적용이 주요 요인임을 확인했으며(제거 시 ΔAUC-PR = 0.047), 네트워크 용량이 아닌 잡음 제거 목표가 감지 품질을 주도함을 입증했다. TSB-AD에서 25개 기준 모델 중 21개에 대한 pairwise Wilcoxon 부호 순위 검정으로 통계적 유의성을 확립했다. 코드는 https://github.com/iis-esslingen/JuRe 에서 이용 가능하다.

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.

Back to Repair: 시계열 이상 감지를 위한 최소 잡음 제거 네트워크

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

초록

Support