इस शोधपत्र में, हम समय श्रृंखला विसंगति पहचान में मौजूदा पुनर्निर्माण-आधारित गहन शिक्षण विधियों की सीमाओं (सीमित कालिक संदर्भ, सामान्य प्रतिमानों का अपर्याप्त प्रतिनिधित्व, और गलत मूल्यांकन मेट्रिक्स) को दूर करने के लिए SimAD (समय श्रृंखला विसंगति पहचान के लिए सरल असमानता-आधारित दृष्टिकोण) का प्रस्ताव करते हैं। SimAD पैच-आधारित फ़ीचर एक्सट्रैक्टर और एम्बेडपैच एनकोडर का उपयोग करके सामान्य व्यवहार प्रतिमानों को एकीकृत करता है जो विस्तारित समय विंडो को संभालते हैं, और कंट्रास्टफ़्यूज़न मॉड्यूल के माध्यम से सामान्य और असामान्य डेटा के बीच वितरणात्मक अंतर को उजागर करके विसंगति पहचान की मज़बूती को बढ़ाता है। इसके अतिरिक्त, हम मौजूदा मेट्रिक्स की सीमाओं को दूर करने के लिए दो उन्नत मूल्यांकन मेट्रिक्स, निष्पक्ष संबद्धता (UAff) और सामान्यीकृत संबद्धता (NAff) का प्रस्ताव करते हैं। सात विविध टेम्पोरल टाइम सीरीज़ डेटासेट पर प्रायोगिक परिणाम दर्शाते हैं कि SimAD मौजूदा अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है, और छह मल्टीवेरिएट डेटासेट पर F1 में 19.85%, Aff-F1 में 4.44%, NAff-F1 में 77.79% और AUC में 9.69% का सापेक्ष प्रदर्शन सुधार प्राप्त करता है। कोड और पूर्व-प्रशिक्षित मॉडल Github पर उपलब्ध हैं।
