時系列異常検出（Time Series Anomaly Detection: TSAD）は、クラウドサービスおよびウェブシステムにおけるリアルタイム監視の基盤をなしており、高コストの障害を防ぐために異常を迅速に特定することを可能にします。予測モデルに基づく大多数のTSAD手法は、微小な変動に重点を置くことで過学習しやすい傾向があります。当研究では、効果的なTSADは滑らかな局所パターンを通じて「正常」な動作をモデル化することに焦点を当てるべきであると示しています。これを達成するために、時系列モデリングを滑らかな単変量関数で近似する問題として再定式化しました。各単変量関数の局所的な滑らかさにより、適合された時系列が局所的な擾乱に対して耐えられることが保証されます。しかし、直接的なKAN実装はBスプライン関数の本質的に局所的な特性によりこれらの擾乱に対して脆弱であることが明らかになりました。そこで、Bスプラインを切り捨てフーリエ展開に置き換え、さらに新たな軽量学習メカニズムを導入したKAN-ADを提案します。このメカニズムは全体的なパターンに重点を置きつつ、局所的な擾乱に対する堅牢性も維持します。4つの人気のあるTSADベンチマークにおいて、KAN-ADは最先端のベースラインと比較して平均15%（最大27%を超える場合もある）の検出精度向上を達成しました。特に注目に値するのは、1,000未満の訓練可能なパラメータしか必要とせず、元のKANよりも推論速度が50%高速化されていることです。これにより、本アプローチの効率性と実用性が示されています。