En este artículo, proponemos SimAD (Enfoque Simple Basado en Disimilitud para la Detección de Anomalías en Series Temporales) para superar las limitaciones de los métodos de aprendizaje profundo basados en reconstrucción existentes en la detección de anomalías en series temporales (contexto temporal limitado, representación insuficiente de patrones normales, métricas de evaluación incorrectas). SimAD integra patrones de comportamiento normal mediante un extractor de características basado en parches y un codificador EmbedPatch que gestiona ventanas temporales extendidas. Además, mejora la robustez de la detección de anomalías al destacar la diferencia distribucional entre datos normales y anómalos mediante el módulo ContrastFusion. Además, proponemos dos métricas de evaluación mejoradas, Afiliación Imparcial (UAff) y Afiliación Normalizada (NAff), para superar las limitaciones de las métricas existentes. Los resultados experimentales en siete conjuntos de datos de series temporales diversas muestran que SimAD supera a los métodos de vanguardia existentes, logrando mejoras relativas de rendimiento del 19,85 % en F1, 4,44 % en Aff-F1, 77,79 % en NAff-F1 y 9,69 % en AUC en seis conjuntos de datos multivariados. El código y los modelos preentrenados están disponibles en Github.
