Terug naar de basis van herstel: Een minimaal ruisonderdrukkend netwerk voor anomaliedetectie in tijdreeksen

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

April 19, 2026

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

cs.AI

Samenvatting

Wij introduceren JuRe (Just Repair), een minimaal ruisonderdrukkend netwerk voor anomaliedetectie in tijdreeksen dat een centrale bevinding blootlegt: architecturale complexiteit is onnodig wanneer het trainingsdoel het manifold-projectieprincipe correct implementeert. JuRe bestaat uit een enkel depthwise-separable convolutioneel residueel blok met een verborgen dimensie van 128, getraind om beschadigde tijdreeksvensters te repareren en tijdens inferentie gescoord door een vaste, parameter-vrije structurele discrepantiefunctie. Ondanks het ontbreken van aandachtmechanismen, latente variabelen en een adversarieel component, bekleedt JuRe de tweede plaats op de TSB-AD multivariate benchmark (AUC-PR 0.404, 180 reeksen, 17 datasets) en de tweede plaats op het UCR univariate archief volgens AUC-PR (0.198, 250 reeksen), waarmee het alle neurale baseline-methoden overtreft op AUC-PR en VUS-PR. Componentablatie op TSB-AD identificeert corruptie tijdens de training als de dominante factor (ΔAUC-PR = 0.047 bij verwijdering), wat bevestigt dat het ruisonderdrukkingsdoel, en niet de netwerkcapaciteit, de detectiekwaliteit drijft. Paarsgewijze Wilcoxon signed-rank tests tonen statistische significantie aan tegenover 21 van de 25 baseline-methoden op TSB-AD. Code is beschikbaar op de 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.