VETime: Vision Enhanced Zero-Shot Time Series Anomaly Detection

Each language version is independently generated for its own context, not a direct translation.

Imaginez que vous êtes un gardien de sécurité chargé de surveiller une ligne de production dans une usine. Votre travail consiste à repérer deux types de problèmes très différents :

Le "Petit Accroc" (Anomalie ponctuelle) : Un boulon qui tombe soudainement, un pic de température d'une seconde. C'est rapide, précis, et il faut le voir tout de suite.
Le "Changement de Tendance" (Anomalie contextuelle) : La machine qui commence à vibrer doucement pendant des heures, ou qui produit des pièces de moins en moins bien. C'est lent, global, et difficile à voir si l'on regarde seulement un instant.

Le problème, c'est que les systèmes actuels sont comme des gardiens qui ont soit une loupe (très bon pour les petits détails, mais aveugle au grand tableau), soit un télescope (très bon pour voir l'ensemble, mais incapable de voir un petit boulon qui tombe).

Voici comment VETime résout ce problème, expliqué simplement :

1. Le Dilemme : Loupe vs Télescope

Les modèles classiques (la loupe) regardent les données chiffre par chiffre. Ils sont excellents pour dire "Tiens, ce chiffre est bizarre !", mais ils oublient souvent pourquoi c'est bizarre dans le contexte global.
Les modèles basés sur l'image (le télescope) transforment les courbes en images pour les analyser comme des photos. Ils voient bien les grandes tendances, mais en transformant la courbe en image, ils perdent la précision du temps. C'est comme essayer de lire une horloge en regardant une photo floue : on voit qu'il y a une aiguille, mais on ne sait pas exactement quelle heure il est.

2. La Solution Magique : VETime (Le Gardien Hybride)

VETime est le premier système qui combine les deux mondes : le monde des chiffres (le temps) et le monde des images (la vision).

Voici comment il fonctionne, étape par étape, avec une analogie culinaire :

Étape A : Transformer la soupe en Tarte (Conversion d'image réversible)

Imaginez que votre série temporelle (vos chiffres) est une soupe liquide. Les modèles classiques la goûtent cuillère par cuillère. VETime, lui, prend cette soupe et la transforme en une tarte magnifique et colorée.

Il ne jette pas la soupe ! Il utilise une technique spéciale ("Conversion d'image réversible") pour que chaque goutte de soupe corresponde exactement à un morceau de tarte.
Il utilise trois couleurs (Rouge, Vert, Bleu) pour encoder différentes informations (la tendance générale, les petits détails, etc.). Résultat : une image riche qui garde toutes les saveurs de la soupe originale.

Étape B : Remettre l'ordre des assiettes (Alignement temporel)

Quand on regarde une tarte, on ne sait pas toujours quel morceau correspond à quel moment de la cuisson. VETime ajoute un code-barres invisible sur chaque morceau de tarte.

Il réaligne les morceaux de l'image pour qu'ils correspondent exactement à l'ordre chronologique des chiffres d'origine.
C'est comme si on avait une carte précise qui dit : "Ce morceau de tarte rouge correspond à l'heure 14h02". Cela permet de ne jamais perdre le fil du temps.

Étape C : Le Débat des Experts (Apprentissage contrastif)

Maintenant, VETime fait travailler deux experts ensemble :

L'Expert Chiffres (qui voit les détails fins).
L'Expert Image (qui voit les grandes formes).

Au lieu de les laisser travailler séparément, VETime les met dans une salle de débat. Il leur montre des exemples normaux et des exemples bizarres, et leur demande : "Est-ce que vous êtes d'accord que c'est une anomalie ?".

S'ils sont d'accord, c'est une vraie anomalie.
S'ils sont en désaccord, VETime apprend à mieux les comprendre.
C'est ce qu'on appelle l'Apprentissage Contrastif : on force les deux experts à se mettre d'accord pour être plus sûrs.

Étape D : Le Chef Cuisinier Adaptatif (Fusion Multi-Modale)

Enfin, VETime a un Chef Cuisinier (la fusion adaptative).

Si le problème est un petit pic soudain, le Chef dit : "Écoutez l'Expert Chiffres, il a raison !"
Si le problème est une tendance lente, le Chef dit : "Non, cette fois, écoutez l'Expert Image !"
Le Chef ajuste les poids en temps réel pour utiliser la meilleure information disponible, sans jamais perdre de temps.

Pourquoi c'est génial ?

Zéro entraînement spécifique : VETime est comme un chef qui a déjà cuisiné dans 1000 usines différentes. Il arrive dans votre usine et sait immédiatement repérer les problèmes sans avoir besoin de manger vos données pendant des mois. C'est ce qu'on appelle le "Zero-Shot".
Précision et Rapidité : Il est aussi rapide que les méthodes classiques (qui regardent juste les chiffres) mais aussi intelligent que les méthodes complexes basées sur l'image. Il ne rate rien, ni les petits boulons, ni les grandes tendances.

En résumé : VETime est un détective surdoué qui porte à la fois des lunettes de lecture (pour les détails) et un télescope (pour le panorama), et qui sait exactement quand utiliser l'un ou l'autre pour ne jamais manquer une anomalie, même dans un monde où les données sont très différentes d'un jour à l'autre.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique et Contexte

La détection d'anomalies dans les séries temporelles (TSAD) est un défi majeur qui nécessite d'identifier deux types d'anomalies distincts :

Anomalies ponctuelles (Point Anomalies) : Des déviations numériques abruptes et instantanées.
Anomalies contextuelles (Context Anomalies) : Des irrégularités à grande échelle affectant la tendance ou la périodicité sur de longues durées.

Les modèles existants souffrent d'un compromis fondamental :

Les modèles temporels 1D (basés sur des Transformers ou des RNN) excellent dans la localisation fine des points mais manquent de perspective contextuelle globale, ce qui les rend inefficaces pour détecter les anomalies contextuelles.
Les modèles basés sur la vision 2D (transformant les séries en images) capturent bien les motifs globaux mais souffrent de goulots d'étranglement informationnels. La conversion de séquences de longueurs variables en images fixes (ex: 224x224) entraîne un flou visuel et une perte de l'alignement temporel précis, conduisant à des fenêtres d'anomalie trop grossières et à une sur-détection.

De plus, la plupart des approches actuelles nécessitent un entraînement spécifique à un domaine, ce qui les rend peu pratiques dans des scénarios Zero-Shot (sans données d'entraînement étiquetées pour le domaine cible), fréquents dans les déploiements réels à faible ressource.

2. Méthodologie : Le Framework VETime

VETime est le premier cadre unifié qui fusionne les modalités temporelles et visuelles grâce à un alignement fin et une fusion dynamique. L'architecture se compose de quatre modules clés :

A. Conversion d'Image Réversible (Reversible Image Conversion - RIC)

Ce module transforme la série temporelle 1D en une représentation visuelle 2D dense et réversible, sans perte d'information critique.

Cartographie d'intensité multi-canaux : La série brute est décomposée en tendance et résidus (via STL). Ces composantes sont mappées sur les canaux R, G et B d'une image, créant un tenseur $1 \times L \times 3$ qui encode à la fois les tendances globales et les détails haute fréquence.
Pliage Adaptatif (Adaptive Folding) : La séquence 1D est pliée en une grille 2D basée sur la périodicité estimée (via la fonction d'autocorrélation), évitant ainsi la discontinuité temporelle.
Mise à l'échelle consciente de la dimension : Une interpolation linéaire est appliquée sur l'axe temporel (horizontal) pour préserver la continuité, tandis qu'un remplissage par copie (copy-padding) est utilisé sur l'axe périodique (vertical) pour éviter la distorsion sémantique.

B. Alignement Temporel au Niveau des Patchs (Patch-Level Temporal Alignment - PTA)

Pour combler le fossé entre les caractéristiques visuelles (issues d'un encodeur ViT gelé) et les caractéristiques temporelles :

Les features visuelles sont "dépliées" pour revenir à l'espace 1D.
Un mécanisme d'alignement rétablit l'ordre temporel exact des patchs visuels.
Des encodages de position appris et des couches d'attention auto-similaire (Self-Attention) sont ajoutés pour modéliser les dépendances intra- et inter-patchs, assurant une correspondance sémantique fine avec les features temporelles.

C. Apprentissage Contrastif par Fenêtre d'Anomalie (Anomaly Window Contrastive Learning - AWCL)

Ce module exploite la complémentarité des modalités via un apprentissage contrastif hybride :

Contraste Intra-Fenêtre : Ciblé sur les anomalies ponctuelles. Il aligne les features visuelles de la position anormale avec les features temporelles correspondantes (positif) et repousse les features normales (négatif) au sein d'une même fenêtre.
Contraste Inter-Fenêtre : Ciblé sur les anomalies contextuelles. Il agrège les features par pooling moyen au niveau de la fenêtre pour distinguer les fenêtres anormales des fenêtres normales à l'échelle globale.

D. Fusion Multi-Modale Adaptative aux Tâches (Task-Adaptive Multi-Modal Fusion - TMF)

Au lieu d'une simple concaténation, un mécanisme de routage dynamique pondère l'apport de chaque expert (features temporelles, visuelles, et enrichies par le contraste) en fonction de la tâche :

Détection d'anomalies : Privilégie les features enrichies par le contraste pour la discrimination.
Reconstruction : Privilégie les features temporelles pour préserver la continuité numérique.
Une tâche auxiliaire de reconstruction de la séquence est utilisée pour contraindre le modèle à maintenir une représentation riche et éviter le surapprentissage sur les labels d'anomalies rares.

3. Contributions Clés

Unification des modalités : VETime est le premier framework TSAD Zero-Shot à unifier efficacement les forces de la précision temporelle 1D et de la perception contextuelle 2D.
Nouveaux modules d'alignement : Introduction de la conversion d'image réversible et de l'alignement temporel au niveau des patchs, permettant une interaction fine-granularité entre les modalités.
Apprentissage adaptatif : Conception d'un mécanisme de fusion dynamique et d'un apprentissage contrastif spécifique aux fenêtres d'anomalie pour capturer à la fois les déviations locales et globales.
Performance Zero-Shot : Démonstration qu'un modèle pré-entraîné sur des données synthétiques peut généraliser à des domaines réels variés sans fine-tuning.

4. Résultats Expérimentaux

Les expériences ont été menées sur 11 jeux de données univariés et 5 jeux de données multivariés (benchmarks TSB-AD, NAB, Yahoo, etc.).

Supériorité Zero-Shot : VETime obtient le premier rang dans 25 cas sur 44 comparés aux modèles Zero-Shot existants (comme TimeRCD, MOMENT, Chronos) et maintient sa dominance (23 premiers rangs) même face à des modèles Full-Shot (entraînés sur les données cibles).
Efficacité vs Modèles Visuels : Comparé aux approches purement visuelles (VIT4TS, VLM4TS), VETime est environ 100 fois plus rapide (ex: 0.04s vs 5.86s par série sur Yahoo) tout en surpassant largement leurs métriques de précision (Affiliation-F1, VUS-PR).
Précision de localisation : Le modèle excelle à la fois sur la détection de pics isolés et de dérives de tendance, évitant le flou temporel des méthodes purement visuelles.
Analyse d'ablation : La suppression de tout module clé (RIC, PTA, AWCL, TMF) entraîne une baisse significative des performances, confirmant la nécessité de chaque composant.

5. Signification et Impact

VETime représente une avancée significative dans le domaine de la détection d'anomalies :

Résolution du dilemme unimodal : Il prouve que la fusion intelligente de la vision et du temps peut surmonter les limitations intrinsèques de chaque modalité séparée.
Praticité industrielle : Sa capacité à fonctionner en mode Zero-Shot avec une faible surcharge computationnelle le rend idéal pour des déploiements rapides dans des environnements dynamiques où la collecte de données étiquetées est impossible.
Nouvelle direction de recherche : L'article ouvre la voie à l'utilisation de modèles de fondation multimodaux pour des tâches de séries temporelles complexes, au-delà de la simple prévision.

En résumé, VETime offre une solution robuste, précise et efficace pour détecter des anomalies complexes dans des séries temporelles hétérogènes sans nécessiter d'entraînement spécifique au domaine.