Возврат к ремонту: минимальная сеть шумоподавления для обнаружения аномалий во временных рядах

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

April 19, 2026

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

cs.AI

Аннотация

Мы представляем JuRe (Just Repair) — минималистичную сеть для удаления шума в задачах обнаружения аномалий во временных рядах, которая демонстрирует ключевой вывод: архитектурная сложность избыточна, когда целевая функция обучения корректно реализует принцип проекции на многообразие. JuRe состоит из одного остаточного блока с depthwise-разделимой сверткой и скрытой размерностью 128, обучаемого для восстановления искаженных окон временных рядов; на этапе вывода оценка производится с помощью фиксированной параметризации структурной функции рассогласования. Несмотря на отсутствие механизма внимания, латентных переменных и состязательных компонентов, JuRe занимает второе место в многомерном бенчмарке TSB-AD (AUC-PR 0.404, 180 рядов, 17 наборов данных) и второе место в архиве UCR для одномерных рядов по метрике AUC-PR (0.198, 250 рядов), опережая все нейросетевые базовые методы по AUC-PR и VUS-PR. Абляционный анализ на TSB-AD выявил, что ключевым фактором является искажение данных во время обучения (ΔAUC-PR = 0.047 при его удалении), подтверждая, что качество обнаружения определяется целевой функцией денизинга, а не емкостью сети. Попарные тесты Уилкоксона показали статистическую значимость превосходства над 21 из 25 базовых методов на TSB-AD. Код доступен по ссылке 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.