時系列データにおける異常検出は、システム監視、医療、サイバーセキュリティなど、多岐にわたる分野において重要である。利用可能な手法が多数存在する一方で、特定の応用に最も適した手法を選定することは困難である。各手法は、特定の種類の異常を検出する上でそれぞれ独自の強みを有している。本研究では、複雑さの異なる6種類の非監督学習型異常検出手法を比較し、より複雑な手法が一般的に優れた性能を発揮するかどうか、また特定の異常タイプに適した手法が存在するかを検証した。評価には、異常検出のための最新のベンチマークデータセットであるUCR異常アーカイブを用いた。各手法について必要なハイパーパラメータを調整した上で、データセットおよび異常タイプごとのレベルで結果を分析した。さらに、各手法が異常に関する事前知識を組み込む能力の違いを評価し、点単位特徴量とシーケンス単位特徴量の違いについても検討した。実験の結果、古典的機械学習手法が、多様な異常タイプにわたり、深層学習手法よりも一般的に優れた性能を示したことが明らかになった。