Le module de diffusion TADR améliore le F1 d'un détecteur d'anomalies sur SMD malgré la perte de blocs de données

Les systèmes industriels équipés de capteurs perdent régulièrement des blocs entiers de données : le réseau décroche, un équipement tombe en panne, et un « trou » apparaît dans le flux sur plusieurs canaux et plusieurs pas de temps à la fois. La réaction standard est un pipeline en deux étapes : d'abord combler le trou, puis chercher les anomalies. Des chercheurs de Séoul proposent le Task-Aware Diffusion Refiner (TADR), un module de diffusion qui, pour restaurer les données, s'oriente sur la tâche de détection plutôt que sur la fidélité de la reconstruction.

Selon leurs résultats, TADR augmente le F1 (score de synthèse combinant précision et rappel de la détection d'anomalies) par rapport au détecteur sans ce module sur SMD (Server Machine Dataset, un jeu de métriques de serveurs). La mesure a été réalisée selon le schéma strict Point-to-Point (P2P), dans lequel chaque horodatage est évalué séparément.

Pourquoi le remplissage par MSE efface les anomalies

Un imputeur classique est entraîné sur l'erreur quadratique moyenne (MSE) et sur le fonctionnement normal des équipements. Il comble donc le trou avec le motif normal le plus probable. Lorsqu'un bloc recouvre une anomalie, l'écart partiellement observé est lissé et ramené vers la norme, et le détecteur ne le voit pas.

L'effet inverse existe aussi. Sur des données normales, les bords du bloc reconstruit produisent des artefacts qui déclenchent de fausses alertes. Les auteurs appellent cela le biais d'imputation (imputation bias). Ils rappellent que la métrique Point Adjustment a longtemps masqué une perte de précision, en gonflant le rappel quel que soit le nombre de fausses détections. Ils évaluent donc leur méthode avec le P2P strict.

L'article cite en outre les systèmes de sécurité, par exemple les capteurs de détection de substances interdites. Un événement rare peut y coïncider avec une perte de données, et un imputeur qui comble le vide avec des valeurs normales détruira précisément ce pour quoi le système a été conçu.

Comment fonctionne TADR

TADR est un modèle de diffusion conditionnel, entraîné en tenant compte de la fonction de perte d'un détecteur gelé. Les auteurs ont repris l'architecture et le sampler de CSDI, un imputeur par diffusion qui sert de référence. Seul l'objectif d'entraînement change : la diffusion doit accentuer les pics d'anomalie et préserver le fond normal, plutôt que simplement minimiser l'erreur de reconstruction.

Le principal problème d'ingénierie tient à l'entraînement. Faire passer les gradients à travers toute la chaîne d'échantillonnage est impossible : le coût de calcul est prohibitif. Les termes liés à la tâche sont donc appliqués à l'estimation en une étape de la fenêtre propre, que la prédiction du bruit fournit d'elle-même. Au final, l'entraînement ne coûte pas plus cher qu'une diffusion ordinaire.

Le détecteur reste gelé, de sorte que TADR se branche sans modifier sa structure. Les auteurs précisent que la méthode fonctionne avec des détecteurs qui évaluent le caractère anormal à partir de l'erreur de reconstruction, et ils étudient notamment Anomaly Transformer, TimesNet et KAN-AD.

Où la méthode aide, et où elle n'aide pas

L'évaluation porte sur cinq seeds, avec des intervalles de confiance et des tests de significativité appariés. Dans l'ablation, c'est l'objectif d'accentuation des anomalies qui apporte le plus, tandis que le schéma itératif ajoute un gain par rapport à un raffineur en une seule passe. Le texte accessible ne donne pas les valeurs chiffrées de ces gains ; il faut les consulter dans l'article lui-même.

Les auteurs ne revendiquent pas de supériorité universelle. Le gain augmente avec la part de canaux continus et mutuellement redondants, et avec la quantité d'indices de l'anomalie que le trou a supprimés. Sur les jeux de télémétrie où dominent les canaux de commandes one-hot, il n'y a pas d'effet, pas plus que sur PSM. Les manipulations adverses des canaux observés, l'empoisonnement de données et la dérive de concept n'entraient pas dans l'évaluation.

Pour la pratique, le profil de charge compte. TADR a été mesuré avec une taille de batch de un, sur un seul cœur de CPU, et non sur des GPU de serveur. Avec dix étapes d'échantillonnage, le module traite une fenêtre sur un seul cœur et dessert de nombreux flux parallèles à une fréquence de 1 Hz, grâce à un modèle compact.

Cela le rend adapté aux appareils en périphérie. Le code et les résultats de chaque seed sont publiés sur GitHub. La conclusion pour les ingénieurs : si, sur votre pipeline en périphérie, les trous de données sont une réalité et que votre détecteur repose sur la reconstruction, il faut évaluer l'imputeur à l'aune de la métrique de détection, et non de la MSE.