Ein zentrales Herausforderung bei der Anomalieerkennung in Zeitreihen (TSAD) ist der Mangel an gelabelten Daten in vielen realen Anwendungsszenarien. Die meisten bestehenden Anomalieerkennungsmethoden konzentrieren sich darauf, das normale Verhalten ungelabelter Zeitreihen auf unsupervisierter Basis zu lernen. Die Definition der Normalgrenze erfolgt dabei oft sehr eng, wodurch bereits geringfügige Abweichungen als Anomalien klassifiziert werden, was zu einer hohen Falsch-Positiv-Rate und einer begrenzten Fähigkeit zur Generalisierung normaler Muster führt. Um diesem Problem entgegenzuwirken, stellen wir einen neuartigen end-to-end selbstüberwachten Ansatz zur kontrastiven Repräsentationslernung für die Anomalieerkennung in Zeitreihen vor: CARLA (ContrAstive Representation Learning for time series Anomaly detection). Während bestehende kontrastive Lernmethoden davon ausgehen, dass augmentierte Zeitreihen-Fenster positive Beispiele und zeitlich entfernte Fenster negative Beispiele sind, argumentieren wir, dass diese Annahmen begrenzt sind: Die Augmentation von Zeitreihen kann diese tatsächlich in negative Beispiele transformieren, und ein zeitlich entferntes Fenster kann dennoch ein positives Beispiel darstellen. Unser kontrastiver Ansatz nutzt vorhandenes generisches Wissen über Zeitreihenanomalien aus und integriert verschiedene Arten von Anomalien als negative Beispiele. Dadurch lernt CARLA nicht nur das normale Verhalten, sondern auch Abweichungen, die auf Anomalien hinweisen. Es erzeugt ähnliche Repräsentationen für zeitlich nahe gelegene Fenster und unterscheidet deutlich zwischen Anomalien. Zudem nutzt CARLA über einen selbstüberwachten Ansatz Informationen über die Nachbarn von Repräsentationen, um Fenster basierend auf ihren nächsten oder entferntesten Nachbarn zu klassifizieren und somit die Leistung der Anomalieerkennung weiter zu verbessern. In umfangreichen Tests auf sieben bedeutenden realen Zeitreihen-Anomalieerkennungs-Datensätzen zeigt CARLA eine überlegene Leistung gegenüber aktuellen state-of-the-art-Methoden im Bereich selbstüberwachtem und unsupervisiertem TSAD. Unsere Forschung demonstriert das Potenzial der kontrastiven Repräsentationslernung, die Anomalieerkennung in Zeitreihen signifikant voranzutreiben.