Die Erkennung von Anomalien in Zeitreihen (TSAD) bildet die Grundlage der Echtzeitüberwachung in Cloud-Dienstleistungen und Web-Systemen, wodurch eine schnelle Identifizierung von Abweichungen zur Verhinderung kostspieliger Ausfälle ermöglicht wird. Die meisten auf Vorhersagemodellen basierenden TSAD-Methoden neigen dazu, durch das Betonen geringer Schwankungen zu überanpassen. Unsere Analyse zeigt, dass effektive TSAD sich auf das Modellieren des "normalen" Verhaltens durch glatte lokale Muster konzentrieren sollte. Um dies zu erreichen, reformulieren wir das Modellieren von Zeitreihen als Approximation der Reihe durch glatte univariate Funktionen. Die lokale Glätte jeder univariaten Funktion stellt sicher, dass die angepasste Zeitreihe gegenüber lokalen Störungen widerstandsfähig bleibt. Allerdings erweist sich eine direkte Implementierung von KAN als anfällig für diese Störungen aufgrund der intrinsisch lokalisierten Eigenschaften von B-Spline-Funktionen. Wir schlagen daher KAN-AD vor, bei dem B-Splines durch abgeschnittene Fourier-Reihen ersetzt werden und ein neuartiges leichtgewichtiges Lernmechanismus eingeführt wird, der globale Muster betont und gleichzeitig robust gegenüber lokalen Störungen ist. In vier gängigen TSAD-Benchmarks erreicht KAN-AD im Durchschnitt eine Verbesserung der Erkennungspräzision um 15 % (mit Spitzenwerten über 27 %) im Vergleich zu den besten bisher bekannten Baselines. Bemerkenswerterweise benötigt es weniger als 1.000 trainierbare Parameter, was zu einer um 50 % schnelleren Inferenzgeschwindigkeit im Vergleich zum ursprünglichen KAN führt und die Effizienz sowie die praktische Machbarkeit des Ansatzes unterstreicht.