🤖 AI

CRAFTIIF: Cross-Resolution Analytic Four-Type Interpretable Isolation Forest for Multivariate Time Series Anomaly Detection

CRAFTIIF es un marco de trabajo totalmente no supervisado que logra un rendimiento de vanguardia e interpretabilidad inherente en la detección de anomalías en series temporales multivariantes mediante el empleo de características de ondículas analíticas de resolución cruzada y una arquitectura especializada de Isolation Forest de cinco ramas para identificar simultáneamente anomalías puntuales, de distribución, temporales y colectivas sin ajuste específico del conjunto de datos.

Autores originales: William Smits

Publicado 2026-06-12

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: William Smits

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el jefe de seguridad de una fábrica masiva y de alta tecnología con cientos de sensores que monitorean todo, desde la temperatura hasta la vibración. Tu trabajo es detectar cuando algo sale mal. Pero "salir mal" no es solo una cosa. A veces un sensor tiene un pico por una fracción de segundo (una anomalía puntual). A veces toda la máquina comienza a funcionar a una temperatura inusualmente alta durante horas (una anomalía de distribución). A veces el ritmo de un motor cambia, como un corazón que pierde un latido (una anomalía temporal). Y a veces, dos sensores que suelen moverse en perfecta sincronía de repente comienzan a moverse en direcciones opuestas, aunque cada uno parezca normal por sí solo (una anomalía colectiva).

La mayoría de los sistemas de seguridad existentes son como guardias que solo conocen un tipo de problema. Si le pides a un "detector de picos" que encuentre un "cambio de ritmo", se confunde y lo pasa por alto.

Este artículo presenta un nuevo sistema llamado CRAFTIIF (pronunciado como "crafty"). Piensa en él como un equipo de cinco detectives especializados, cada uno con un conjunto único de herramientas, trabajando juntos para resolver el misterio de qué es lo que está mal.

Los Cinco Detectives (La Arquitectura)

En lugar de usar un único cerebro gigante y confundido para mirar todos los datos, CRAFTIIF divide el trabajo:

El detective de "Picos": Utiliza una herramienta llamada wavelet DOG (imagina una lupa que solo ve saltos bruscos y repentinos). Este detective busca fallos instantáneos en los sensores.
El detective de "Cambios de Nivel": Utiliza una wavelet Haar (como una regla que mide saltos repentinos en la altura). Este detecta cuando una máquina se mantiene en una temperatura o presión nueva y errónea.
El detective de "Ritmo": Utiliza una wavelet Morlet (como un metrónomo que escucha cambios en el compás). Este atrapa cuando un motor comienza a zumbar a la velocidad incorrecta.
El detective de "Trabajo en Equipo": Utiliza una wavelet Coiflet y comprobaciones de correlación. Este observa pares de sensores. Si dos sensores que suelen bailar juntos de repente empiezan a pelear, este detective da la alarma, incluso si ninguno de los dos sensores parece estar mal por sí solo.
El "Líder del Equipo" (Meta-IF): Este detective no mira los datos brutos. En su lugar, observa a los otros cuatro detectives. Si los detectives de Picos, Nivel y Ritmo susurran: "Algo no parece bien", pero ninguno de ellos está gritando "¡ALERTA!" individualmente, el Líder del Equipo interviene para decir: "Bien, esto es un problema complejo, vamos a marcarlo".

Cómo ven el mundo (Las Características)

Para hacer su trabajo, estos detectives no solo miran los números brutos. Utilizan una técnica especial llamada Wavelets.

Imagina que estás escuchando una canción. Un micrófono estándar solo registra el volumen. Pero una wavelet es como un oído mágico que puede hacer zoom para escuchar un solo golpe de tambor (frecuencia alta) o hacer zoom hacia afuera para escuchar todo el estribillo (frecuencia baja) simultáneamente.

CRAFTIIF crea 500 "oídos" aleatorios para cada detective. Es como darle a cada detective 500 pares de gafas diferentes con lentes ligeramente distintos. Algunos lentes hacen zoom en detalles diminutos, otros en tendencias grandes. Al lanzar una red amplia con estos lentes aleatorios, el sistema es increíblemente bueno para capturar patrones extraños sin necesidad de haber sido enseñado previamente qué es lo "extraño".

El Sistema de Alarma Inteligente (Umbrales Adaptativos)

Uno de los mayores problemas en la seguridad es configurar la sensibilidad de la alarma.

Si la configuras demasiado alta, obtienes falsas alarmas (el perro ladra a una hoja).
Si la configuras demasiado baja, pierdes al intruso.

La mayoría de los sistemas utilizan una regla fija (por ejemplo, "Si la puntuación es superior a 90, suene la alarma"). Pero en el mundo real, a veces el 1% de los datos son malos, y otras veces el 70% son malos. Una regla fija falla estrepitosamente aquí.

CRAFTIIF utiliza una alarma inteligente y adaptativa. Observa la distribución de las puntuaciones y pregunta: "¿Esto parece tener dos grupos distintos (normal vs. malo) o es solo una gran mancha?".

Si ve dos grupos claros, utiliza un truco matemático (Otsu) para encontrar la línea perfecta entre ellos.
Si ve una mancha desordenada, utiliza un truco diferente (MAD) para encontrar los valores atípicos.
Esto permite que el sistema funcione perfectamente ya sea que la tasa de anomalías sea del 0.1% o del 69%.

El "Detector de la Verdad" (Marco de Diagnóstico)

Los autores se dieron cuenta de que, a veces, incluso el mejor detective no puede resolver un caso porque faltan las pistas. Construyeron una herramienta de diagnóstico para decirte por qué falló el sistema:

La puntuación del "Oráculo": Calculan la mejor puntuación posible que el sistema podría obtener si tuviera un umbral mágico. Si la puntuación real es cercana a esta, el sistema está funcionando de maravilla.
El "Límite de Detectabilidad": Si la puntuación del Oráculo sigue siendo terrible, significa que la anomalía es estadísticamente invisible.
- Ejemplo: En algunos conjuntos de datos, los datos "malos" parecen más normales que los datos "buenos" (como una identificación falsa que es tan perfecta que parece más real que una identificación real). El artículo encontró que, para 6 de los 19 conjuntos de datos de prueba, ningún método no supervisado podría tener éxito porque las anomalías estaban camufladas. Este es un hallazgo crucial: les dice a los ingenieros: "Dejen de intentar arreglar el algoritmo; necesitan expertos humanos o datos diferentes".

Los Resultados

El equipo probó CRAFTIIF en 19 conjuntos de datos del mundo real (desde máquinas de servidores hasta monitores cardíacos o flujo de multitudes).

Sin ajuste: Utilizaron exactamente la misma configuración para los 19 casos. Sin ajustes específicos para cada máquina.
El Ganador: CRAFTIIF superó a todos los demás métodos probados en la evaluación comparativa, incluyendo modelos de aprendizaje profundo (deep learning) que requieren enormes cantidades de datos de entrenamiento.
Interpretabilidad: Cuando CRAFTIIF lanza una alarma, no solo dice "Error". Dice: "El Detective de Ritmo encontró un cambio de frecuencia" o "El Detective de Trabajo en Equipo encontró una ruptura de correlación". Esto le dice al operador humano exactamente qué tipo de problema debe buscar.

En Resumen

CRAFTIIF es un sistema de seguridad no supervisado e inteligente para datos de series temporales. Utiliza un equipo de "detectives" especializados con lentes de zoom mágicos (wavelets) para detectar cuatro tipos diferentes de problemas. Tiene una alarma autoajustable que funciona tanto si los problemas son raros como si son comunes. Lo más importante es que te dice por qué lanzó la alarma y admite honestamente cuándo un problema es imposible de resolver sin la ayuda humana. Demostró que no necesitas una IA gigante de "caja negra" para encontrar anomalías; solo necesitas la estructura adecuada y las herramientas correctas.

Resumen Técnico: CRAFTIIF para la Detección de Anomalías en Series Temporales Multivariantes

Planteamiento del Problema

La detección de anomalías en series temporales multivariantes (MTSAD) enfrenta tres desafíos fundamentales que obstaculizan su implementación práctica:

Heterogeneidad de Tipos de Anomalías: Las anomalías del mundo real se manifiestan en cuatro formas estructuralmente distintas: anomalías de punto (picos aislados), anomalías distribucionales (cambios sostenidos de nivel), anomalías temporales (cambios en el ritmo/frecuencia) y anomalías colectivas (rupturas en la correlación entre sensores). Los métodos no supervisados existentes suelen dirigirse a solo uno o dos tipos y su rendimiento decae cuando se evalúan en los cuatro simultáneamente.
Ausencia de Etiquetas: Los métodos supervisados requieren datos anotados, los cuales rara vez están disponibles en el momento del despliegue. Se requieren métodos totalmente no supervisados que aprendan únicamente de datos normales, pero estos suelen tener dificultades con la diversidad de tipos de anomalías.
Interpretabilidad: Los profesionales necesitan saber por qué se marcó una anomalía (qué canales, escalas de tiempo y tipo de anomalía). La mayoría de los métodos de aprendizaje profundo ofrecen una interpretabilidad limitada (por ejemplo, pesos de atención) que no se mapea claramente con causas físicas o tipos de anomalías específicos. Las puntuaciones de importancia de características post-hoc suelen confundir características de diferentes tipos de anomalías, creando ambigüedad.

Metodología: CRAFTIIF

Los autores proponen CRAFTIIF (Cross-Resolution Analytic Four-Type Interpretable Isolation Forest), un marco de trabajo totalmente no supervisado diseñado para detectar los cuatro tipos de anomalías simultáneamente sin necesidad de ajustes específicos para cada conjunto de datos.

Arquitectura Central

El flujo de trabajo consta de cuatro etapas:

Preprocesamiento de Calidad de Datos: Maneja valores faltantes y NaNs mediante un sistema de niveles de confianza (completo, suave, suprimido) y configura automáticamente la longitud de la ventana ( $W$ ) y el paso ( $s$ ) basándose en la función de autocorrelación (ACF) del decaimiento de la señal de entrenamiento.
Extracción de Características Analíticas Multirresolución Aleatorias:
- Familias de Wavelets: Se seleccionan cuatro familias específicas de wavelets para maximizar la discriminabilidad de cada tipo de anomalía:
  - Morlet: Apunta a anomalías temporales (cambios en el ritmo oscilatorio).
  - DOG (Mexican Hat): Apunta a anomalías de punto (curvatura local/extremos).
  - Haar: Apunta a anomalías distribucionales (cambios de paso/cambios de nivel).
  - Coiflet: Apunta a anomalías colectivas (estructura de correlación de escala cruzada).
- Muestreos Aleatorios: Para cada familia, se generan $K=500$ muestras aleatorias. Cada muestra toma una escala (log-uniform), un vector de pesos de canal (distribución Dirichlet) y un grupo de características (Amplitud, Fase, Cuantil o Escala Cruzada).
- Eficiencia: Se utiliza una Transformada de Wavelet Continua (CWT) vectorizada basada en FFT, lo que reduce la computación a tres operaciones por lotes independientemente de $K$ .
- Características Colectivas: Se anexan las correlaciones de Pearson por pares entre todos los pares de canales a las características de la rama colectiva.
Detección Estructurada de Cinco Ramas:
- Se entrenan cinco Isolation Forests (IFs) independientes:
  - Cuatro IFs Específicos por Tipo: Uno para cada tipo de anomalía, entrenado exclusivamente con características correspondientes a ese tipo (por ejemplo, el IF de Punto usa solo características DOG).
  - Un Meta-IF: Entrenado sobre el vector de puntuación normalizado de las cuatro ramas específicas de tipo para detectar anomalías compuestas donde múltiples ramas muestran desviaciones sutiles.
- Esta estructura evita la interferencia de características entre tipos y asegura que una detección por parte de una rama específica sea directamente atribuible a ese tipo de anomalía.
Calibración de Umbral Adaptativo:
- En lugar de un umbral de percentil fijo, CRAFTIIF utiliza un enfoque híbrido Otsu/MAD.
- Calcula la fuerza de bimodalidad ( $\beta$ ) de la distribución de puntuación de prueba.
- Si $\beta > 0.75$ (bimodalidad fuerte), utiliza el umbral de Otsu.
- Si $\beta < 0.40$ (unimodal), utiliza un umbral basado en la Desviación Absoluta de la Mediana (MAD).
- Detecta y desactiva automáticamente las ramas "anticorrelacionadas" donde las anomalías puntúan más bajo que los datos normales.

Marco de Diagnóstico

El artículo introduce una suite de diagnóstico para distinguir entre el fallo del método y las limitaciones fundamentales de los datos:

F1 de Oráculo: La F1 máxima alcanzable mediante el barrido de todos los umbrales (calculada post-hoc).
Límites de Detectabilidad: Identifica conjuntos de datos donde $F1_{oracle} < 0.05$ , lo que indica que la anomalía es estadísticamente indistinguible de los datos normales en el espacio de características (por ejemplo, anomalías de camuflaje o de línea plana).
Ratios de Separación de Ramas: Cuantifica qué tan bien cada rama discrimina las anomalías de los normales.
Atribución Colectiva: Identifica pares de canales específicos que impulsan las detecciones de anomalías colectivas.

Resultados Clave

Evaluado en el benchmark mTSBench (19 conjuntos de datos, 2–72 canales, tasas de anomalía del 0.1%–69.2%) con una única configuración y sin ajustes:

Rendimiento: CRAFTIIF logró un F1 medio = 0.228 en los 19 conjuntos de datos y un F1 = 0.322 en los 13 conjuntos de datos detectables.
Comparación: Superó a los 24 métodos en la publicación de mTSBench, incluyendo el anterior mejor método (PCA, 0.329 VUS-PR) e Isolation Forest puro. CRAFTIIF logró un VUS-PR medio = 0.463, ocupando el primer lugar.
Estudio de Ablación:
- Umbral Adaptativo: Contribuyó con una mejora del 38% en el F1 medio respecto a los umbrales fijos.
- Estructura de Cuatro Ramas: Contribuyó con una mejora del 20% respecto a un IF global entrenado con todas las características.
- Meta-IF: Contribuyó con una mejora del 23% respecto a la eliminación de la rama meta.
Análisis de Detectabilidad: El estudio reveló que 6 de los 19 conjuntos de datos (por ejemplo, Genesis, GHL, MITDB) caen en la categoría de "límite de detectabilidad fundamental", donde ningún método de estadística de señales no supervisado puede tener éxito sin conocimiento del dominio o etiquetas.

Significancia y Reivindicaciones

El artículo afirma que CRAFTIIF es significativo por varias razones:

Detección Unificada: Es el primer método totalmente no supervisado que aborda simultáneamente los cuatro tipos estructurales de anomalías sin ajuste específico para el conjunto de datos.
Interpretabilidad Intrínseca: A diferencia de las explicaciones post-hoc, la arquitectura proporciona atribución directa. Si la rama "Punto" se activa, la anomalía es un pico aislado; si la rama "Colectiva" se activa, es una ruptura de correlación. Esto es una garantía estructural, no una aproximación.
Rigor Diagnóstico: El marco de diagnóstico propuesto permite a los profesionales distinguir entre errores de calibración de umbral, límites de representación de características y la indetectabilidad estadística fundamental. Esto evita el esfuerzo perdido en conjuntos de datos que son inherentemente indetectables por métodos no supervisados genéricos.
Liderazgo en Benchmarks: Al lograr resultados de vanguardia en el exhaustivo benchmark mTSBench con una única configuración, demuestra que las características de wavelet analíticas estructuradas combinadas con Isolation Forests pueden superar a los enfoques complejos de aprendizaje profundo en entornos no supervisados.

Los autores señalan limitaciones, incluyendo un rendimiento reducido en conjuntos de datos con mayoría de anomalías (donde los datos de entrenamiento están contaminados) y conjuntos de datos con anomalías de "camuflaje" (donde las fallas parecen más normales que los datos normales). Sugieren como trabajo futuro la mezcla de canales aprendida y la detección en streaming.