CANDI: Neue Testzeit‑Anpassung verbessert Anomalieerkennung bei Zeitreihen

In der Welt der multivariaten Zeitreihenanalyse hat die neue Methode CANDI einen bedeutenden Fortschritt erzielt. Durch gezielte Testzeit‑Anpassung (TTA) kann ein bereits vortrainiertes Modell sofort auf neue, unlabeled Daten reagieren und so die Erkennungsleistung bei veränderten Verteilungen deutlich steigern.

CANDI kombiniert zwei innovative Komponenten: Erstens die False‑Positive‑Mining‑Strategie, die aus den Anomalie‑Scores und der latenten Ähnlichkeit gezielt die zuverlässigsten Fehlalarme auswählt. Diese ausgewählten Beispiele dienen als Basis für die Anpassung, wodurch das Modell nicht in falsche Richtungen driftet.

Die zweite Komponente, das Spatiotemporally‑Aware Normality Adaptation (SANA) Modul, nutzt strukturelle Informationen aus den Daten, um die Modellparameter präzise zu aktualisieren. Dadurch bleibt das Wissen aus dem Vortraining erhalten, während gleichzeitig die Sensitivität gegenüber neuen Anomalien erhöht wird.

Experimentelle Ergebnisse zeigen, dass CANDI die AUROC‑Werte bei multivariaten Zeitreihenanomalieerkennung um bis zu 14 % steigert – und das mit deutlich weniger Anpassungsbeispielen als herkömmliche Verfahren. Diese Entwicklung eröffnet neue Möglichkeiten für robuste Anomalieerkennung in dynamischen, real‑welt‑basierten Anwendungen.