この記事では、時系列異常検出（TSAD）のための新しい手法COGNOSを提案しています。従来の再構築ベースの手法は、平均二乗誤差（MSE）の損失に依存しており、その結果、統計的に不正確な再構築残差が生じ、異常スコアがノイズにより不安定になるという問題があります。COGNOSは、モデルに依存しない普遍的な強化フレームワークであり、トレーニング中にガウスホワイトノイズ正則化戦略を導入し、モデルの出力残差がガウスホワイトノイズ分布に従うよう直接制約をかけます。さらに、カルマン平滑化ポストプロセッサを使用して、生の異常スコアをデノイズします。この二つの手法の相乗効果によって、COGNOSは真の異常信号をランダムな変動から効果的に分離できます。実験の結果、COGNOSは12種類の多様なモデルに適用された際、平均Fスコアが57.9%向上することが示され、異常検出システムを大幅に改善するための強力かつ一般化可能な戦略であることが明らかになりました。