핵심 개념
본 논문에서는 다양한 반응 시간을 가진 시계열 데이터에서 이상 현상을 예측하고 탐지하기 위해 다중 스케일 재구성 대비(MultiRC)라는 새로운 딥러닝 프레임워크를 제안합니다.
초록
MultiRC: 다중 스케일 재구성 대비를 이용한 시계열 이상 예측 및 탐지의 공동 학습
본 연구는 다양한 반응 시간을 가진 시계열 데이터에서 발생하는 이상 현상을 효과적으로 예측하고 탐지하는 것을 목표로 합니다. 기존의 방법들은 이상 현상의 다양한 발생 패턴과 레이블 데이터 부족 문제로 인해 성능이 제한적이었습니다. 이에 본 연구에서는 MultiRC라는 새로운 딥러닝 프레임워크를 제안하여 이러한 문제들을 해결하고자 합니다.
MultiRC는 다중 스케일 구조, 마스크된 시계열 재구성, 생성 기반 대조 학습이라는 세 가지 주요 모듈로 구성됩니다.
다중 스케일 구조: 다양한 크기의 시간 윈도우를 사용하여 시계열 데이터를 분석합니다. 이를 통해 다양한 시간적 맥락에서 이상 현상을 탐지할 수 있습니다. 또한, 적응형 주기 마스크를 사용하여 각 변수에 대한 반응 시간을 자동으로 조정합니다.
마스크된 시계열 재구성: 입력 데이터의 일부를 마스킹하고, 나머지 데이터를 사용하여 마스킹된 부분을 재구성하도록 모델을 학습시킵니다. 이를 통해 모델은 정상적인 데이터 패턴을 학습하고, 이상 현상을 더 잘 탐지할 수 있습니다.
생성 기반 대조 학습: 모델 붕괴를 방지하고 이상 징후를 더 잘 구별하기 위해 제어된 생성 전략을 사용하여 다양한 전조 신호를 음성 샘플로 구성합니다. 대조 학습을 통해 정상 데이터와 이상 데이터의 차이를 학습하여 이상 탐지 성능을 향상시킵니다.