## Memo ## Memo with LLM ## Abstract 時系列異常検知（TSAD）は、大規模なクラウドサービスやウェブシステムにとって不可欠な要素となっている。なぜなら、異常を迅速に特定し、より大きな損失を防ぐための早期警告を提供できるからである。 ディープラーニングに基づく予測手法は、その強力な学習能力により、TSADにおいて非常に普及している。 しかし、正確な予測が必ずしも優れた異常検知につながるとは限らない。 時系列における局所的なピークや低下といったノイズが一般的に発生するため、既存のブラックボックス学習手法は、このような意図しないパターンを容易に学習してしまい、異常検知性能に大きな影響を与えてしまう。 コルモゴロフ・アーノルド・ネットワーク（KAN）は、複雑な時系列を複数の一変量関数の組み合わせに分解することで、学習プロセスをより制御しやすくし、潜在的な解決策を提供する。 しかし、KANはスプライン関数を用いて一変量関数を最適化するため、局所的な異常の影響を受けやすい。 この問題に対処するため、我々はフーリエ級数を活用して大域的な時間パターンを強調し、局所的なピークやドロップの影響を緩和するKAN-ADを提示する。 KAN-ADは、既存のブラックボックス学習アプローチを、一変量関数に先行する重みの学習に変換することで、有効性と効率性の両方を改善する。 実験の結果、現在の最先端技術と比較して、推論速度を55倍向上させながら、15％の精度向上を達成した。