Робастне виявлення аномалій у часових рядах за умов наявності структурних спотворень: інтеграція методу Hybrid AWRED v5 у класичні та двонаправлені LSTM-мережі

DOI: 10.31673/2412-9070.2026.318104

Анотація

Глибокі рекурентні нейронні мережі широко застосовуються для аналізу часових рядів, однак їхня ефективність істотно залежить від чистоти навчальної вибірки. Класична функція втрат на основі середньоквадратичної похибки (MSE) є чутливою до структурних спотворень у даних, оскільки аномальні вікна можуть зміщувати градієнтні оновлення та погіршувати якість сформованого прихованого подання. У статті розглянуто п’яту генерацію методології Hybrid AWRED v5 (Adaptive Weighted Reconstruction with Regularized Energy and Dynamics), у якій використано диференційовну функцію втрат із механізмом просторово-часового м’якого відсікання. Для налаштування параметрів вагової функції застосовано Байєсівську оптимізацію, що дає змогу адаптувати поріг відсікання до поточного розподілу похибок реконструкції.
Експериментальне оцінювання проведено для двох базових архітектур - класичної LSTM та двонаправленої BiLSTM із шаровою нормалізацією — за умов 15% струк-турних спотворень у навчальній вибірці. Результати показали, що при використанні стандартної MSE метрика Average Precision становить 0.534 для LSTM та 0.566 для BiLSTM, тоді як інтеграція Hybrid AWRED v5 підвищує ці значення до 0.835 та 0.922 відповідно. Для сучасної архітектури також отримано AUC-ROC на рівні 0.990. Це свідчить, що запропонований підхід краще зберігає якість ранжування аномалій за наявності структурних спотворень у навчальних даних.
Отримані результати дають підстави розглядати Hybrid AWRED v5 як перспективний архітектурно-незалежний інструмент робастної оптимізації для задач вияв-лення аномалій у часових рядах. Разом із тим переваги методу доцільно інтерпретувати насамперед через покращення метрик виявлення та ранжування, тоді як окреме кількісне оцінювання просторово-часової локалізації може бути предметом подальших досліджень.

Ключові слова: виявлення аномалій, часові ряди, глибоке навчання, LSTM, BiLSTM, структурні спотворення, забруднення даних, робастна оптимізація, Hybrid AWRED v5.