Новый фреймворк CoAD объединяет классификацию и реконструкцию для обнаружения аномалий во временных рядах

Группа исследователей предложила новый фреймворк CoAD (Cooperative Time Series Anomaly Detection), который объединяет два популярных подхода к обнаружению аномалий во временных рядах: классификацию на основе Outlier Exposure (OE) и реконструкцию с помощью Masked Autoencoder (MAE). Работа опубликована на arXiv (2605.26193).

Традиционные методы глубокого обучения нередко не справляются с тонкими и длительными аномалиями. OE-методы страдают от плохой обобщаемости, а MAE-методы — от проблем с несоответствием маскировок. CoAD решает эти ограничения благодаря кооперативной схеме: модуль классификации генерирует вероятностные мягкие маски для модуля реконструкции, что одновременно улучшает обобщение классификатора.

Авторы утверждают, что такая связка позволяет эффективно обнаруживать сложные аномалии, которые ранее упускались. Модуль классификации был тщательно спроектирован для устранения проблем с неправильной гранулярностью и игнорированием частотной информации.

Эксперименты на качественных эталонных наборах данных показали, что CoAD значительно превосходит как современные методы глубокого обучения, так и классические алгоритмы интеллектуального анализа данных. При этом фреймворк лёгкий и работает существенно быстрее существующих аналогов.

Разработчики подчеркивают практическую ценность CoAD для крупномасштабных приложений реального времени — например, в мониторинге промышленного оборудования, сетевой безопасности и финансового анализа. Результаты работы демонстрируют, что глубокое обучение способно эффективно решать задачи обнаружения аномалий при правильном комбинировании подходов.