IMPACT: Einflussmodellierung optimiert Open-Set-Detektion Zeitreihenanomalien

Eine neue Methode namens IMPACT verspricht, die Erkennung von Anomalien in Zeitreihen zu revolutionieren. Durch die gezielte Nutzung von Einflussmodellen kann das System sowohl bekannte als auch bislang unbekannte Abweichungen zuverlässig identifizieren.

Traditionelle Ansätze zur Open‑Set‑Anomalieerkennung erzeugen künstliche Anomalien, indem sie vorhandene Daten einfach erweitern. Bei Zeitreihen führt diese Technik jedoch häufig zu unrealistischen Mustern, weil die zeitliche Abfolge nicht berücksichtigt wird. Zusätzlich kann die Trainingsmenge unerwünschte, nicht gelabelte Anomalien enthalten, was die Genauigkeit weiter beeinträchtigt.

IMPACT löst diese Probleme, indem es zunächst eine Einflussfunktion lernt, die den Beitrag jedes Trainingsbeispiels zum Modell präzise bewertet. Mit diesen Einflusswerten werden dann realistische, semantisch abweichende Anomalien erzeugt, die die natürliche Dynamik der Zeitreihen beibehalten. Gleichzeitig werden hoch einflussreiche Beispiele als Supervised-Anomalien genutzt, um die Kontamination der Trainingsdaten zu reduzieren.

Umfangreiche Experimente zeigen, dass IMPACT die bestehenden Spitzenmethoden deutlich übertrifft. Die Genauigkeit bleibt unter verschiedensten Open‑Set‑Einstellungen und Kontaminationsraten konstant hoch, was die Methode zu einem vielversprechenden Werkzeug für die Praxis macht.