Distillare i criteri di attribuzione dei punteggi di anomalia da più modelli insegnanti per il rilevamento non supervisionato delle anomalie nelle serie temporali

Abstract degli autori

Le anomalie nelle serie temporali assumono forme diverse e i singoli rilevatori adottano criteri differenti per assegnare un punteggio alle anomalie, criteri che raramente coprono ogni tipo di anomalia. I recenti rilevatori non supervisionati di anomalie nelle serie temporali forniscono segnali di punteggio complementari, ma impiegarli in un ensemble comporta i costi di inferenza e manutenzione di ciascun rilevatore. Studiamo se sia possibile distillare rilevatori eterogenei usati come teacher in un unico rilevatore leggero, in un contesto non supervisionato in cui non sono disponibili etichette delle anomalie per definire un obiettivo comune. AnoMix affronta il problema ricavando una supervisione debole su coppie dai punteggi di anomalia che i teacher, mantenuti fissi, assegnano al set di addestramento. Normalizza separatamente la sequenza di punteggi di ciascun teacher e addestra il modello student con CoRank, una funzione obiettivo di distillazione del ranking da più teacher che, attraverso il consenso tra i teacher, trasforma le differenze tra i loro punteggi in supervisione su coppie. Su sette dataset benchmark, AnoMix integra con successo i criteri di assegnazione dei punteggi complementari dei teacher in un unico modello utilizzabile, ottenendo risultati migliori dei singoli rilevatori e degli ensemble statici di punteggi, con uno student compatto da meno di 80k parametri nelle configurazioni dei benchmark. Una variante zero-shot mostra inoltre che il segnale di ranking distillato si trasferisce a dataset mai visti e può superare, nel rilevamento delle anomalie, i grandi foundation model preaddestrati per le serie temporali.