ARTA: Neue Methode steigert Robustheit bei Zeitreihen-Fehlererkennung

Die Erkennung von Anomalien in Zeitreihen ist ein entscheidender Bestandteil der Überwachung komplexer Systeme. Trotz der Leistungsfähigkeit moderner Deep‑Learning‑Modelle bleiben diese oft empfindlich gegenüber lokalen Eingabestörungen und strukturiertem Rauschen.

Mit dem neuen Ansatz ARTA (Adversarially Robust multivariate Time‑Series Anomaly detection via joint information retention) wird die Robustheit von Detektoren gezielt verbessert. Das System kombiniert einen Anomalie‑Detektor mit einem sparsity‑beschränkten Maskengenerator, die gleichzeitig trainiert werden.

Der Generator erzeugt minimale, aber taskrelevante zeitliche Störungen, die den Anomalie‑Score des Detektors maximal erhöhen. Der Detektor wiederum wird optimiert, um unter diesen strukturierten Störungen stabil zu bleiben. Auf diese Weise werden die empfindlichsten Entscheidungswege des Modells aufgedeckt und die Abhängigkeit von spurenhaften lokalen Artefakten reduziert.

Die resultierenden Masken geben Aufschluss über die Sensitivität des Detektors gegenüber adversarialen Störungen und können als erklärende Signale für die Entscheidungen des Modells dienen. Durch das adversariale Training lernt der Detektor, verteilte und stabile zeitliche Muster zu nutzen, was die Gesamtrobustheit erhöht.

In umfangreichen Experimenten auf dem TSB‑AD Benchmark zeigte ARTA eine konsequente Verbesserung der Anomalie‑Erkennungsleistung. Zudem verzeichnete das Modell eine deutlich sanftere Degradation bei steigenden Rauschpegeln im Vergleich zu führenden Baselines, was die Überlegenheit der Methode unter realen Bedingungen unterstreicht.