Kernekoncepter
본 논문에서는 다양한 도메인의 시계열 데이터에서 이상을 효과적으로 탐지할 수 있는 일반적인 모델인 DADA(Adaptive Bottlenecks 및 Dual Adversarial Decoders를 갖춘 일반 시계열 이상 탐지기)를 제안합니다.
Resumé
DADA: 적응형 병목 현상 및 이중 적대적 디코더를 갖춘 일반 시계열 이상 탐지기 개발
본 논문에서는 광범위한 다운스트림 시나리오에 적용할 수 있는 일반 시계열 이상 탐지(GTSAD) 모델인 DADA를 제안합니다. DADA는 여러 도메인의 방대한 시계열 데이터 세트에서 사전 훈련되어 특정 데이터 세트에 대한 미세 조정 없이 다양한 대상 시나리오에 효율적으로 적용할 수 있습니다.
기존 시계열 이상 탐지 방법은 각 데이터 세트에 대해 특정 모델을 학습해야 하므로 다양한 대상 데이터 세트에서 일반화 성능이 제한되어 학습 데이터가 부족한 다양한 시나리오에서 이상 탐지 성능이 저하되는 문제를 해결하고자 합니다.
본 논문에서는 적응형 병목 현상과 이중 적대적 디코더를 사용하여 다양한 데이터 세트의 고유한 특성을 학습하고 일반화 성능을 향상시키는 DADA 모델을 제안합니다.
적응형 병목 현상
다양한 정보 밀도를 가진 다중 도메인 시계열 데이터를 처리하기 위해 다양한 크기의 병목 현상 풀을 구성합니다.
입력 데이터의 고유한 재구성 요구 사항에 따라 적절한 내부 크기를 유연하게 선택할 수 있도록 데이터 적응 메커니즘을 사용합니다.
이중 적대적 디코더
정상 디코더는 정상 시퀀스를 정확하게 재구성하기 위해 정상 패턴을 학습합니다.
이상 디코더는 이상 시계열에서 다양한 이상 패턴을 학습합니다.
적대적 학습 메커니즘을 통해 정상 시계열과 일반적인 이상 사이의 명확한 결정 경계를 학습하여 다양한 시나리오에서 이상 탐지 기능을 향상시킵니다.