Módulo de difusão TADR eleva o F1 de detector de anomalias no SMD quando há perda de blocos de dados

Sistemas industriais com sensores perdem blocos inteiros de dados com frequência: a rede cai, o equipamento falha e surge uma "lacuna" em vários canais e vários instantes ao mesmo tempo. A reação padrão é um pipeline de dois passos: "primeiro preencher a lacuna, depois procurar anomalias". Pesquisadores de Seul propuseram o Task-Aware Diffusion Refiner (TADR), um módulo de difusão que, ao reconstruir os dados, se orienta pela tarefa de detecção e não pela precisão da reconstrução.

Segundo os resultados deles, o TADR aumenta o F1, medida que combina precisão e recall na detecção de anomalias, em relação ao detector sem refinamento no SMD (Server Machine Dataset, conjunto de métricas de servidores). A medição usou o esquema rigoroso Point-to-Point (P2P), em que cada marca de tempo é avaliada separadamente.

Por que o preenchimento por MSE apaga anomalias

O imputador comum é treinado com o erro quadrático médio (MSE) e com dados de operação normal do equipamento. Por isso, ele preenche a lacuna com o padrão normal mais provável. Se o bloco cobre uma anomalia, o desvio parcialmente observado é suavizado de volta para a normalidade, e o detector não o enxerga.

Há também o efeito inverso. Em dados normais, as bordas do bloco reconstruído geram artefatos que disparam falsos alarmes. Os autores chamam isso de viés de imputação (imputation bias). Eles lembram que a métrica Point Adjustment escondeu por muito tempo a perda de precisão, ao inflar o recall independentemente do número de falsos positivos. Por isso, avaliam o método pelo P2P rigoroso.

O artigo cita separadamente os sistemas de segurança, como sensores de detecção de substâncias proibidas. Nesse caso, um evento raro pode coincidir com a perda de dados, e um imputador que preencha o vazio com valores normais destruirá justamente aquilo para o qual o sistema foi criado.

Como funciona o TADR

O TADR é um modelo de difusão condicional treinado levando em conta a função de perda de um detector congelado. Os autores tomaram a arquitetura e o amostrador do CSDI, um imputador de difusão que serve como baseline. Muda apenas o objetivo de treinamento: a difusão deve acentuar os picos das anomalias e preservar o fundo normal, em vez de apenas minimizar o erro de reconstrução.

O principal problema de engenharia está no treinamento. Não é possível propagar gradientes por toda a cadeia de amostragem, porque o custo computacional seria inviável. Por isso, os termos voltados à tarefa são aplicados a uma estimativa de um passo da janela limpa, que a própria predição de ruído fornece. Com isso, o treinamento não custa mais que o de uma difusão comum.

O detector permanece congelado, então o TADR se conecta sem alterar a estrutura dele. Os autores observam que o método funciona com detectores que estimam a anormalidade pelo erro de reconstrução e consideram, entre outros, Anomaly Transformer, TimesNet e KAN-AD.

Onde o método ajuda e onde não ajuda

A avaliação foi feita em cinco seeds, com intervalos de confiança e testes de significância pareados. No estudo de ablação, o maior ganho vem do próprio objetivo de realce de anomalias, e o esquema iterativo adiciona ganho sobre o refinador de passagem única. No texto disponível, os valores numéricos dos ganhos não são apresentados; vale consultá-los no próprio artigo.

Os autores não alegam superioridade universal. O ganho cresce com a proporção de canais contínuos e mutuamente redundantes e com a quantidade de indícios da anomalia que a lacuna removeu. Em conjuntos de telemetria em que predominam canais de comandos one-hot, não há efeito, assim como no PSM. Manipulações adversariais dos canais observados, envenenamento de dados e concept drift ficaram fora da avaliação.

Para a prática, o perfil de carga importa. O TADR foi medido com tamanho de lote igual a um, em um único núcleo de CPU, e não em GPUs de servidor. Com dez passos de amostragem, o módulo processa a janela em um único núcleo e atende a muitos fluxos paralelos de 1 Hz, graças ao modelo compacto. Isso o torna adequado para dispositivos de borda. O código e os resultados de cada seed foram publicados no GitHub. A conclusão para engenheiros é a seguinte: se, no seu pipeline de borda, as lacunas são reais e o detector trabalha por reconstrução, vale avaliar o imputador pela métrica de detecção, e não pelo MSE.