Dans cet article, nous proposons SimAD (approche simple basée sur la dissimilarité pour la détection d'anomalies de séries chronologiques) afin de surmonter les limites des méthodes d'apprentissage profond basées sur la reconstruction existantes pour la détection d'anomalies de séries chronologiques (contexte temporel limité, représentation insuffisante des modèles normaux, métriques d'évaluation incorrectes). SimAD intègre les modèles de comportement normaux à l'aide d'un extracteur de caractéristiques basé sur des patchs et d'un encodeur EmbedPatch qui gèrent des fenêtres temporelles étendues, et améliore la robustesse de la détection d'anomalies en mettant en évidence la différence de distribution entre les données normales et anormales grâce au module ContrastFusion. De plus, nous proposons deux métriques d'évaluation améliorées, l'affiliation non biaisée (UAff) et l'affiliation normalisée (NAff), pour surmonter les limites des métriques existantes. Les résultats expérimentaux obtenus sur sept séries temporelles différentes montrent que SimAD surpasse les méthodes de pointe existantes, avec des améliorations de performances relatives de 19,85 % en F1, 4,44 % en Aff-F1, 77,79 % en NAff-F1 et 9,69 % en AUC sur six jeux de données multivariés. Le code et les modèles pré-entraînés sont disponibles sur Github.
