Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring

Título: Detecção Adaptativa de Anomalias Conformal com Modelos Fundamentais de Séries Temporais para Monitoramento de Sinais

1. Problema

A detecção de anomalias em séries temporais industriais (como manutenção preditiva e monitoramento de sinais) enfrenta desafios críticos:

• Escassez de Dados: Muitas vezes, não há dados históricos suficientes ou de alta qualidade para treinar modelos robustos do zero.
• Falta de Expertise: Os usuários industriais frequentemente carecem de especialistas em ciência de dados para ajustar modelos complexos.
• Não Estacionariedade: As distribuições de dados mudam ao longo do tempo (mudanças de distribuição), tornando os métodos estáticos ineficazes.
• Interpretabilidade e Controle de Alarmes: Sistemas existentes muitas vezes produzem pontuações de anomalia sem significado probabilístico claro, dificultando a definição de limiares que garantam uma taxa de falsos alarmes específica.
• Dependência de Troca (Exchangeability): Métodos de previsão conformal padrão assumem que os dados são intercambiáveis, uma suposição frequentemente violada em séries temporais devido às dependências temporais.

2. Metodologia: W1-ACAS

Os autores propõem o W1-ACAS (1-Wasserstein Adaptive Conformal Anomaly Score), um framework de detecção de anomalias post-hoc (aplicado após o treinamento) que não requer fine-tuning dos modelos.

Componentes Principais:

1. Modelos Fundamentais de Séries Temporais (TSFMs): O método utiliza previsões de modelos pré-treinados em larga escala (como Tiny Time Mixers, Chronos e TiRex). Esses modelos fornecem estimativas iniciais de comportamento normal sem necessidade de re-treinamento.
2. Pontuação de Não Conformidade: Calcula-se o erro de previsão (ex: erro absoluto entre o valor real e o previsto) como uma pontuação de não conformidade ($S$).
3. Previsão Conformal Adaptativa Ponderada:
   • Em vez de usar um limiar fixo, o método transforma as pontuações de erro em valores-p conformais ($\beta$), que representam diretamente a taxa de alarme falsa esperada.
   • Para lidar com a não estacionariedade (mudança de distribuição), o método aprende pesos adaptativos ($w$) para as pontuações de não conformidade passadas.
   • Otimização via Distância de Wasserstein: Os pesos são aprendidos minimizando a distância de Wasserstein de 1ª ordem ($W_1$) entre a distribuição acumulada (CDF) das pontuações normalizadas e uma distribuição uniforme. Isso garante que os valores-p sejam bem calibrados ao longo do tempo, mesmo sob mudanças de distribuição.
4. Agregação de Horizontes: O método executa múltiplos horizontes de previsão em paralelo e agrega os valores-p resultantes (usando a mediana) para criar uma pontuação final robusta.

Algoritmo:
O processo envolve uma atualização online dos pesos usando descida de gradiente projetada (Adam), onde os pesos são ajustados periodicamente com base em um batch de dados recentes para manter a calibração.

3. Principais Contribuições

• Framework W1-ACAS: Uma nova abordagem de detecção de anomalias que combina a capacidade de generalização dos TSFMs com a garantia teórica da previsão conformal.
• Interpretabilidade Probabilística: A pontuação de anomalia é um valor-p, permitindo que os operadores definam diretamente a taxa de falsos alarmes desejada (ex: "quero apenas 1% de falsos positivos").
• Adaptatividade sem Retreinamento: O sistema adapta-se a mudanças de distribuição em tempo real ajustando os pesos das amostras de calibração, sem necessidade de re-treinar o modelo de previsão subjacente.
• Garantias em Não Intercambiabilidade: Estende a teoria conformal para cenários de séries temporais (não intercambiáveis), fornecendo limites teóricos para a taxa de falsos alarmes mesmo quando a suposição de troca é violada.
• Agnóstico ao Modelo: Funciona com qualquer modelo de previsão pré-treinado ou pontuação de anomalia existente.

4. Resultados Experimentais

Os autores avaliaram o método em 7 conjuntos de dados univariados (incluindo YAHOO, NAB, MSL, NEK) e 4 conjuntos multivariados (TAO, GECCO, LTDB, Genesis), comparando com métodos clássicos, redes neurais semissupervisionadas e outras abordagens conformais.

• Desempenho Superior: O W1-ACAS superou consistentemente os baselines (incluindo CNN, USAD, OmniAnomaly e métodos baseados em Gaussianas) em métricas dependentes de limiar, como PA-F1 e Affiliation-F.
• Calibração e Falsos Alarmes: O método produziu as curvas de FPR (Taxa de Falsos Positivos) mais conservadoras e estáveis, mantendo-se próximas ou abaixo da linha de calibração ideal. Isso significa que a taxa real de alarmes falsos correspondeu muito bem à taxa desejada pelo usuário.
• Robustez: O desempenho foi robusto em diferentes modelos de TSFM (Chronos, TTM, TiRex) e em cenários com mudanças de distribuição abruptas e graduais (validado em experimentos sintéticos).
• Eficiência: O método é computacionalmente leve, operando em tempo real com baixa latência, ideal para ambientes com recursos limitados.

5. Significado e Impacto

Este trabalho é significativo para a indústria e a pesquisa acadêmica por:

• Democratizar a Detecção de Anomalias: Permite que empresas com poucos dados e pouca expertise em ML implementem sistemas de monitoramento robustos usando modelos pré-treinados.
• Solução para o "Dilema do Limiar": Resolve o problema comum de como escolher um limiar de detecção, transformando-o em uma escolha de política de risco (taxa de falso alarme) com garantias matemáticas.
• Adaptabilidade Dinâmica: Oferece uma solução prática para o monitoramento contínuo em ambientes industriais onde os padrões de dados mudam constantemente, evitando a necessidade de re-treinamento frequente e custoso.
• Transparência: Ao fornecer valores-p interpretáveis, facilita a tomada de decisão e a confiança dos operadores humanos no sistema automatizado.

Em resumo, o W1-ACAS representa um avanço na aplicação prática de modelos fundamentais de IA para monitoramento de sinais, combinando simplicidade de implantação, robustez teórica e alta performance em cenários de dados escassos e dinâmicos.