Los métodos de detección de ataques basados en anomalías dependen de alguna forma de aprendizaje automático para detectar ataques de falsificación de datos en sistemas ciberfísicos de vida inteligente. Sin embargo, hay una falta de estudios que consideren la presencia de ataques durante la fase de entrenamiento y su efecto en el rendimiento de detección y falsas alarmas. Para mejorar la robustez del aprendizaje de series temporales para la detección de anomalías, proponemos un marco al modificar elecciones de diseño como el tipo de error de regresión y el tipo de función de pérdida mientras se aprenden los umbrales para un marco de detección de anomalías durante la fase de entrenamiento. Específicamente, ofrecemos pruebas teóricas sobre la relación entre las fortalezas de los ataques de envenenamiento y cómo eso informa la elección de las funciones de pérdida utilizadas para aprender los umbrales de detección. Esto, a su vez, conduce a la explicabilidad de por qué y cuándo nuestro marco mitiga el envenenamiento de datos y los compromisos asociados con tales cambios de diseño. Los resultados teóricos están respaldados por resultados experimentales que demuestran el rendimiento de mitigación de ataques con métricas especificadas por NIST para CPS, utilizando datos reales recopilados de una infraestructura de medición inteligente como prueba de concepto. Así, la contribución es un marco que garantiza la seguridad del aprendizaje automático y el aprendizaje automático para la seguridad simultáneamente.