This thesis investigates new deep learning approaches for anomaly detection, with a particular focus on multivariate time series data and reconstruction-based unsupervised methods. Anomaly detection in time series is a critical task in many real-world applications, including industrial monitoring, cybersecurity, healthcare, and large-scale information systems, where abnormal behaviors may indicate faults, attacks, or system degradation. The problem is especially challenging due to the rarity and diversity of anomalies, the high dimensionality of modern data, the presence of noise and non-stationarity, and the limited availability of labeled data.
The thesis addresses these challenges through a combination of methodological rigor and model design innovation. First, it provides a comprehensive and unified experimental study of reconstruction-based deep learning methods for time series anomaly detection. A wide range of representative models—covering Autoencoders (AE), Variational Autoencoders (VAE), GAN-based reconstructors, and Transformer-based architectures—are evaluated under a common experimental protocol. All models are tested on heterogeneous multivariate datasets using consistent preprocessing, windowing, and evaluation criteria. To ensure scientific robustness, the comparison is supported by non-parametric statistical tests (Friedman and Nemenyi), allowing performance differences to be assessed beyond anecdotal results. This study clarifies the strengths, weaknesses, and typical failure modes of different reconstruction paradigms across diverse scenarios.
Building on the insights obtained from this unified evaluation, the thesis proposes a new Two-Phase anomaly detection framework based on a time–frequency Transformer architecture. The proposed approach combines temporal and spectral representations of time series while preserving timestamp-level anomaly localization. A key contribution is the introduction of a diagnostics-driven design philosophy, in which additional model components are activated only when justified by measurable data characteristics. Specifically, the framework includes three optional modules: (i) an inter-metric embedding mechanism to capture cross-variable dependencies, (ii) a contamination-aware pseudo-filtering strategy to mitigate the effect of anomalous samples within nominal training data, and (iii) an attention-based fusion mechanism to adaptively combine time-domain and frequency-domain anomaly scores.
The Two-Phase framework separates diagnostic analysis from model training and inference, reducing the risk of unnecessary model complexity and improving robustness across datasets with different statistical properties. Extensive experiments demonstrate that the proposed method achieves strong average performance across multiple benchmarks and obtains favorable statistical rankings compared to established baselines. At the same time, the thesis explicitly discusses the limitations of reconstruction-based approaches, including sensitivity to threshold selection, training data contamination, and challenging datasets with complex long-range dependencies.
Overall, this thesis contributes both a rigorous empirical foundation for understanding reconstruction-based deep anomaly detection methods and a practical, data-aware modeling framework that improves robustness and interpretability. The results provide valuable guidance for researchers and practitioners working on anomaly detection in complex multivariate time series, and they open several directions for future research, including streaming settings, concept drift adaptation, uncertainty estimation, and interpretability of anomaly scores., Esta tesis se centra en el estudio y desarrollo de nuevos enfoques de aprendizaje profundo para la detección de anomalías, con especial atención a series temporales multivariantes y a métodos no supervisados basados en reconstrucción. La detección de anomalías en series temporales es una tarea clave en numerosos ámbitos del mundo real, como la monitorización industrial, los sistemas ciberfísicos, la ciberseguridad, la sanidad y los sistemas de información a gran escala. En estos contextos, las anomalías pueden estar asociadas a fallos, ataques o comportamientos inesperados, por lo que su detección temprana resulta esencial para garantizar la fiabilidad y seguridad de los sistemas.
Este problema presenta importantes desafíos metodológicos. Las anomalías suelen ser raras y heterogéneas, los datos son habitualmente de alta dimensionalidad y los sistemas reales están sujetos a ruido y cambios de distribución a lo largo del tiempo. Además, en muchos escenarios prácticos no se dispone de datos etiquetados o estos son muy limitados, lo que dificulta la aplicación de enfoques supervisados. Por estas razones, los métodos no supervisados basados en reconstrucción se han convertido en una alternativa ampliamente utilizada, aunque su evaluación comparativa sigue siendo compleja debido a la falta de protocolos experimentales homogéneos.
La primera contribución principal de esta tesis consiste en un estudio experimental exhaustivo y sistemático de métodos de detección de anomalías basados en reconstrucción mediante aprendizaje profundo. Se analizan modelos representativos de distintas familias, incluyendo Autoencoders (AE), Autoencoders Variacionales (VAE), modelos basados en redes generativas adversarias (GAN) y arquitecturas basadas en Transformers. Todos los métodos se evalúan bajo un protocolo experimental común, que incluye procedimientos consistentes de preprocesamiento, segmentación mediante ventanas temporales, entrenamiento y evaluación. El análisis se realiza sobre un conjunto diverso de series temporales multivariantes, que difieren en número de variables, dominio de aplicación y proporción de anomalías. Para garantizar la solidez científica de las conclusiones, la comparación se apoya en pruebas estadísticas no paramétricas, lo que permite evaluar de manera rigurosa la significación de las diferencias observadas entre los modelos.
A partir de las conclusiones extraídas de este estudio comparativo, la tesis propone una nueva estrategia de detección de anomalías en dos fases, orientada a mejorar la robustez y adaptabilidad de los enfoques basados en reconstrucción. El método se fundamenta en una arquitectura Transformer tiempo–frecuencia, que combina información del dominio temporal y del dominio frecuencial, manteniendo al mismo tiempo una localización precisa de las anomalías a nivel de instante temporal. Esta combinación resulta especialmente adecuada para la detección de anomalías colectivas y patrones anómalos complejos.
Una aportación clave del enfoque propuesto es la introducción de una fase de diagnóstico previa al entrenamiento, en la que se analizan propiedades estadísticas de los datos con el fin de decidir si deben activarse determinados módulos adicionales del modelo. Estos módulos están diseñados para capturar dependencias entre variables, mitigar el impacto de datos contaminados durante el entrenamiento y combinar de forma adaptativa las puntuaciones de anomalía obtenidas en los dominios temporal y frecuencial. Esta filosofía de diseño permite evitar la introducción innecesaria de complejidad y reduce el riesgo de degradación del rendimiento en conjuntos de datos que no se benefician de dichas extensiones.
Los resultados experimentales muestran que el enfoque propuesto alcanza un rendimiento competitivo y consistente en múltiples conjuntos de datos de referencia, obteniendo clasificaciones estadísticas favorables frente a métodos consolidados. Al mismo tiempo, la tesis analiza de forma explícita las limitaciones inherentes a los enfoques basados en reconstrucción, como la sensibilidad a la selección de umbrales y la contaminación de los datos de entrenamiento.