De Volta ao Reparo: Uma Rede de Desruído Mínima para Detecção de Anomalias em Séries Temporais

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

Resumo

Apresentamos o JuRe (Just Repair), uma rede de eliminação de ruído mínima para detecção de anomalias em séries temporais que revela uma descoberta central: a complexidade arquitetônica é desnecessária quando o objetivo de treinamento implementa corretamente o princípio de projeção na variedade. O JuRe consiste em um único bloco residual convolucional separável em profundidade com dimensão oculta 128, treinado para reparar janelas de séries temporais corrompidas e pontuado na inferência por uma função de discrepância estrutural fixa e livre de parâmetros. Apesar de não utilizar atenção, variáveis latentes ou componentes adversariais, o JuRe classifica-se em segundo lugar no benchmark multivariado TSB-AD (AUC-PR 0.404, 180 séries, 17 conjuntos de dados) e em segundo lugar no arquivo univariado UCR por AUC-PR (0.198, 250 séries), liderando todas as linhas de base neurais em AUC-PR e VUS-PR. A ablação de componentes no TSB-AD identifica a corrupção durante o treinamento como o fator dominante (ΔAUC-PR = 0.047 na remoção), confirmando que o objetivo de eliminação de ruído, e não a capacidade da rede, impulsiona a qualidade da detecção. Testes de Wilcoxon de postos sinalizados pareados estabelecem significância estatística contra 21 de 25 linhas de base no TSB-AD. O código está disponível no 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.