El módulo de difusión TADR eleva el F1 de un detector de anomalías en SMD cuando se pierden bloques de datos

Los sistemas industriales con sensores pierden con regularidad bloques enteros de datos: la red se cae, el equipo falla y en el flujo aparece un «agujero» que afecta a varios canales y a varios instantes a la vez. La reacción habitual es un pipeline de dos pasos: «primero rellenar el hueco, después buscar anomalías». Investigadores de Seúl han propuesto Task-Aware Diffusion Refiner (TADR), un módulo de difusión que, al reconstruir los datos, se guía por la tarea de detección y no por la precisión de la reconstrucción.

Según sus resultados, TADR mejora el F1 —la puntuación combinada de precisión y exhaustividad (recall) en la detección de anomalías— frente al detector sin la mejora en SMD (Server Machine Dataset, un conjunto de métricas de servidores). La medición se realizó con el esquema estricto Point-to-Point (P2P), en el que cada marca de tiempo se evalúa por separado.

Por qué el relleno por MSE borra las anomalías

Un imputador convencional se entrena con el error cuadrático medio (MSE) y con datos de funcionamiento normal del equipo. Por eso rellena el hueco con el patrón normal más probable. Si el bloque perdido cubre una anomalía, la desviación observada solo en parte se suaviza hasta volver a la norma, y el detector no la ve.

También existe el efecto contrario. En datos normales, los límites del bloque reconstruido generan artefactos que provocan falsas alarmas. Los autores lo llaman sesgo de imputación (imputation bias). Recuerdan que la métrica Point Adjustment ocultó durante mucho tiempo la pérdida de precisión, porque infla el recall con independencia del número de falsos positivos. Por eso evalúan el método con la métrica estricta P2P.

El artículo menciona aparte los sistemas de seguridad, por ejemplo los sensores de detección de sustancias prohibidas. Allí un evento raro puede coincidir con una pérdida de datos, y un imputador que rellene el hueco con valores normales destruirá justo aquello para lo que se creó el sistema.

Cómo funciona TADR

TADR es un modelo de difusión condicional que se entrena teniendo en cuenta la función de pérdida de un detector congelado. Los autores tomaron la arquitectura y el sampler de CSDI, un imputador de difusión que sirve como línea base. Solo cambia el objetivo de entrenamiento: la difusión debe acentuar los picos de las anomalías y conservar el fondo normal, en lugar de limitarse a minimizar el error de reconstrucción.

El principal problema de ingeniería es el entrenamiento. No se pueden propagar gradientes a través de toda la cadena de muestreo, porque resulta computacionalmente inviable. Por eso los términos de la tarea se aplican a una estimación en un solo paso de la ventana limpia, que la predicción del ruido proporciona por sí misma. Como resultado, entrenar el modelo no cuesta más que una difusión convencional.

El detector permanece congelado, de modo que TADR se acopla sin modificar su estructura. Los autores señalan que el método funciona con detectores que puntúan la anomalía a partir del error de reconstrucción, y consideran, entre otros, Anomaly Transformer, TimesNet y KAN-AD.

Dónde ayuda el método y dónde no

La evaluación se realizó con cinco semillas, con intervalos de confianza y pruebas de significancia pareadas. En la ablación, lo que más aporta es el propio objetivo de refuerzo de anomalías, y el esquema iterativo añade mejora respecto a un refinador de una sola pasada. En el texto disponible no se indican los valores numéricos de las mejoras; conviene consultarlos en el propio artículo.

Los autores no afirman una superioridad universal. La ganancia crece con la proporción de canales continuos y redundantes entre sí, y con la cantidad de evidencia de la anomalía que ha eliminado el hueco. En los conjuntos de telemetría donde predominan los canales de comandos one-hot no hay efecto, como tampoco lo hay en PSM. La evaluación no incluyó manipulaciones adversarias de los canales observados, envenenamiento de datos ni deriva de concepto (concept drift).

Para la práctica, lo relevante es el perfil de carga. TADR se midió con tamaño de batch uno en un solo núcleo de CPU, y no en GPU de servidor. Con diez pasos de muestreo, el módulo procesa la ventana en un solo núcleo y atiende a numerosos flujos paralelos con frecuencia de 1 Hz, gracias a un modelo compacto. Eso lo hace apto para dispositivos edge. El código y los resultados de cada semilla están publicados en GitHub. La conclusión para los ingenieros es esta: si en su pipeline edge los huecos son reales y el detector trabaja por reconstrucción, conviene evaluar el imputador con la métrica de detección y no con el MSE.