Neue Taxonomie: Bewertungskriterien für Zeitreihen‑Anomalieerkennung neu strukturiert

In einer wegweisenden Studie wird die Bewertung von Zeitreihen‑Anomalieerkennung neu gedacht. Anstatt sich auf mathematische Formen zu konzentrieren, interpretiert das Team bestehende Metriken anhand der konkreten Evaluationsherausforderungen, die sie adressieren. So entsteht ein problemorientierter Rahmen, der über zwanzig gängige Kennzahlen in sechs klare Dimensionen gliedert: von der reinen Genauigkeitsbewertung über zeitlich orientierte Belohnungen bis hin zu Toleranz gegenüber ungenauen Labels, Kosten für menschliche Audits, Widerstandsfähigkeit gegen zufällige oder aufgeblähte Scores und parameterfreie Vergleichbarkeit über verschiedene Datensätze hinweg.

Um die Praxisrelevanz zu prüfen, wurden umfangreiche Experimente unter echten, zufälligen und „Oracle“-Detektionsszenarien durchgeführt. Durch den Vergleich der Score‑Verteilungen konnten die Autoren die Trennkraft jeder Metrik – also ihre Fähigkeit, sinnvolle Erkennungen von Rauschen zu unterscheiden – quantifizieren. Die Ergebnisse zeigen, dass die meisten Ereignis‑Level‑Metriken eine starke Unterscheidbarkeit besitzen, während populäre Kennzahlen wie NAB oder Point‑Adjust nur begrenzte Widerstandsfähigkeit gegen Score‑Inflation aufweisen.

Diese Erkenntnisse unterstreichen, dass die Wahl einer Metrik eng an die spezifischen Aufgaben und Ziele von IoT‑Anwendungen gekoppelt sein muss. Der vorgestellte Rahmen liefert nicht nur ein einheitliches Analyse‑Paradigma, sondern auch praxisnahe Empfehlungen für die Auswahl oder Entwicklung geeigneter Bewertungskriterien in der Zeitreihen‑Anomalieerkennung.