Efficacia del rilevamento e della caratterizzazione delle anomalie utilizzando algoritmi corticali nei dati di serie temporali = Efficacy of Detecting and Characterizing Anomalies Using Cortical Algorithms in Time Series Data

Rilevare anomalie in dati di serie temporali rappresenta una sfida cruciale in numerosi settori, tra cui la cybersicurezza, la sanità, la finanza e il monitoraggio industriale. Questa tesi indaga l’efficacia di algoritmi ispirati alla corteccia cerebrale—nello specifico la Hierarchical Temporal Memory (HTM) e lo Sparse LSTM AutoEncoder for Anomaly Detection in Time-Series (SLADiT)—per l’individuazione di anomalie in serie temporali univariate. I metodi statistici e di deep learning tradizionali incontrano spesso difficoltà in presenza di dati sparsi, comportamenti non stazionari e costi computazionali elevati, specialmente in scenari real-time. Per superare queste limitazioni, HTM sfrutta meccanismi di ispirazione biologica come le Sparse Distributed Representations (SDR), il pooling spaziale e la memoria temporale. Queste caratteristiche consentono di apprendere in modo continuo pattern in evoluzione e di rilevare in maniera robusta deviazioni irregolari nei dati in streaming. Tuttavia, l’affidarsi in larga misura a correlazioni spaziali può ridurne l’efficacia per alcuni compiti univariati, evidenziando un compromesso nei contesti in cui viene monitorata una singola variabile. Parallelamente, SLADiT combina la potenza di rappresentazione degli autoencoder con le capacità di modellazione temporale degli strati ricorrenti LSTM. Imponendo la sparsità nello spazio latente, SLADiT cattura le caratteristiche essenziali della dinamica “normale” della serie temporale, migliorando così la capacità di distinguere le anomalie. A differenza di HTM, l’addestramento in batch di SLADiT e il rilevamento basato sull’errore di ricostruzione possono raggiungere un’accuratezza maggiore per deviazioni puntuali e sottili in serie univariate, ma risultano meno adatti a un dispiegamento diretto in un monitoraggio continuo senza un periodico ri-addestramento. Una serie di esperimenti su dataset di riferimento provenienti dallo UCR Anomaly Archive valuta entrambi i modelli in condizioni controllate, utilizzando metriche quali F1-score e Area Under the Curve (AUC). I risultati indicano che HTM eccelle nel catturare dipendenze sequenziali e nell’adattarsi a nuovi pattern nel tempo, risultando vantaggiosa in contesti real-time. Al contrario, SLADiT mostra forti capacità di ricostruzione e un tasso di falsi positivi inferiore nei contesti univariati, sebbene richieda re-inizializzazione o fine-tuning online in caso di flussi di dati non stazionari. Questi risultati evidenziano l’importanza di allineare la selezione del modello ai vincoli specifici del dominio, compresi la dimensionalità dei dati, le esigenze real-time e la tolleranza ai falsi allarmi. Nel complesso, questa tesi offre una prospettiva comparativa sugli approcci di anomaly detection ispirati alla corteccia cerebrale, mostrando come meccanismi biologici e vincoli di sparsità possano contribuire a soluzioni robuste e scalabili. Le intuizioni emerse forniscono indicazioni utili per i professionisti interessati a implementare o affinare strategie di anomaly detection, aprendo la strada a ulteriori esplorazioni di architetture ispirate al cervello in diverse applicazioni di analisi temporale.