Vision-basierter Autoencoder mit Normalisierungsfluss für Zeitreihen-Anomalieerkennung

Die Erkennung von Anomalien in Zeitreihen ist entscheidend für die Zuverlässigkeit und Sicherheit von IoT‑basierten Systemen. Traditionelle Verfahren trainieren jeweils ein spezielles Modell für ein bestimmtes Datenset, was die Generalisierbarkeit auf andere Szenarien stark einschränkt und die Leistung bei knappen Trainingsdaten verringert.

Um diese Einschränkungen zu überwinden, setzen Forscher vermehrt auf Foundation‑Modelle. Bisher wurden jedoch meist große Sprachmodelle adaptiert oder riesige Zeitreihen‑Datensätze erstellt, wodurch weiterhin erhebliche Lücken zwischen Modellen und Anwendungsdomänen bestehen bleiben.

In der vorliegenden Arbeit wird ein neuer Ansatz vorgestellt, der ein großes visuelles Modell – einen Masked Autoencoder (MAE), der auf ImageNet vortrainiert wurde – für die Zeitreihen‑Anomalieerkennung (TSAD) nutzt. Die direkte Übertragung des MAE bringt zwei zentrale Herausforderungen mit sich: eine zu starke Überallgemeinheit und eine begrenzte lokale Wahrnehmung.

Der vorgeschlagene Rahmen, genannt VAN‑AD, adressiert diese Probleme mit zwei innovativen Modulen. Das Adaptive Distribution Mapping Module (ADMM) transformiert die Rekonstruktionswerte vor und nach dem MAE in einen einheitlichen statistischen Raum, wodurch Abweichungen durch anomale Muster verstärkt werden. Das Normalizing Flow Module (NFM) kombiniert den MAE mit einem Normalisierungsfluss, um die Wahrscheinlichkeitsdichte der aktuellen Daten präzise zu schätzen und so die Erkennung von Ausreißern zu verbessern.

VAN‑AD demonstriert damit, wie visuelle Foundation‑Modelle erfolgreich für die Analyse von Zeitreihen eingesetzt werden können, und bietet einen vielversprechenden Weg, die Generalisierbarkeit und Genauigkeit von Anomalieerkennungsalgorithmen in IoT‑Umgebungen zu erhöhen.