CARLA：時系列異常検出のための自己教師付きコントラスト表現学習

時系列異常検出（TSAD）における主要な課題の一つは、実世界の多くの状況でラベル付きデータが不足している点にある。既存の多くの中間異常検出手法は、ラベルのない時系列データに対して非教師ありの方法で正常な挙動を学習することに焦点を当てている。しかし、通常、正常範囲（normal boundary）が過度に厳密に定義されるため、わずかな変動でも異常と分類されてしまい、結果として偽陽性率が高くなり、正常パターンの一般化能力が限定的になってしまう。この課題に対処するため、本研究では、時系列異常検出に特化したエンド・ツー・エンドの自己教師付き対照的表現学習手法「CARLA（ContrAstive Representation Learning for time series Anomaly detection）」を提案する。既存の対照的学習手法では、時系列ウィンドウの拡張（augmentation）されたバージョンをポジティブサンプルとし、時間的に離れたウィンドウをネガティブサンプルと仮定しているが、本研究ではこの仮定の限界を指摘する。すなわち、時系列の拡張は本来のポジティブなサンプルをネガティブなサンプルに変換する可能性があり、時間的に離れたウィンドウであっても、実際には正常な挙動を示すポジティブなサンプルである可能性がある。CARLAは、既存の時系列異常に関する一般知識を活用し、多様な種類の異常をネガティブサンプルとして組み込むことで、対照的学習を実現する。その結果、CARLAは正常な挙動だけでなく、異常を示す変動も学習可能となる。また、時間的に近いウィンドウ同士は類似した表現を生成し、異常は明確に異なる表現を生成するよう設計されている。さらに、自己教師付きアプローチにより、表現の近傍情報（neighbour information）を活用し、各ウィンドウをその最も近い／最も遠い近傍との関係に基づいて分類することで、異常検出性能をさらに向上させる。7つの主要な実世界時系列異常検出データセットにおける広範な実験結果から、CARLAは最先端の自己教師付きおよび非教師ありTSAD手法を上回る優れた性能を示した。本研究は、対照的表現学習が時系列異常検出の分野において新たな進展をもたらす可能性を示している。