다변량 시계열 이상 탐지에 관한 그래프 어텐션 네트워크

다변량 시계열 데이터에서의 이상 탐지는 데이터 마이닝 연구 및 산업 응용 분야에서 매우 중요한 주제이다. 최근의 접근법들은 이 분야에서 상당한 진전을 이루었지만, 여전히 몇 가지 제한점이 존재한다. 주요한 한 가지 제한점은 서로 다른 시계열 간의 관계를 명시적으로 포착하지 못한다는 점으로, 이로 인해 피할 수 없는 오류 경보가 발생한다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 자기지도 학습 프레임워크를 제안한다. 제안하는 프레임워크는 각 단변량 시계열을 개별적인 특징으로 간주하며, 시간 차원과 특징 차원 양쪽에서 다변량 시계열의 복잡한 의존 관계를 학습하기 위해 병렬로 두 개의 그래프 주의(GAT, Graph Attention) 레이어를 포함한다. 또한, 본 방법은 예측 기반 모델과 재구성 기반 모델을 공동 최적화하여, 단일 타임스탬프 예측과 전체 시계열 재구성의 결합을 통해 보다 우수한 시계열 표현을 얻는다. 광범위한 실험을 통해 제안된 모델의 효과성을 입증하였으며, 실제 3개의 데이터셋에서 기존의 최첨단 모델들을 모두 상회하는 성능을 보였다. 추가 분석을 통해 본 방법이 뛰어난 해석 가능성(해석 가능성)을 지니며, 이상 진단에 실질적으로 유용함을 확인할 수 있었다.