CARLA는 레이블이 없는 시계열 데이터에서 정상 패턴과 이상 패턴을 효과적으로 구분할 수 있는 표현을 학습하는 자기 지도 대조 학습 기법이다.
본 연구는 하위 인접 이웃에 초점을 맞춘 새로운 주의 메커니즘을 제안하여 비지도 학습 기반 시계열 이상 탐지 성능을 향상시킨다.
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.
CATCH는 주파수 패칭과 채널 상관관계 학습을 통해 다변량 시계열 데이터에서 발생하는 다양한 이상 패턴을 효과적으로 감지하는 새로운 딥러닝 프레임워크입니다.
본 논문에서는 다양한 반응 시간을 가진 시계열 데이터에서 이상 현상을 예측하고 탐지하기 위해 다중 스케일 재구성 대비(MultiRC)라는 새로운 딥러닝 프레임워크를 제안합니다.