TranAD: 다변량 시계열 데이터의 이상 탐지 위한 딥 트랜스포머 네트워크

다변량 시계열 데이터에서 효율적인 이상 탐지 및 원인 진단은 현대 산업 응용 분야에서 매우 중요한 과제이다. 그러나 이상 관측치를 신속하고 정확하게 식별할 수 있는 시스템을 구축하는 것은 여전히 도전적인 문제이다. 이는 이상 레이블의 부족, 데이터의 높은 변동성, 그리고 현대 응용에서 요구하는 극도로 낮은 추론 시간에 기인한다. 최근 딥러닝 기반 이상 탐지 기법들이 발전하고 있지만, 이러한 모든 도전 과제를 동시에 해결할 수 있는 방법은 극히 제한적이다. 본 논문에서는 주목적 기반 시계열 인코더를 활용하여 데이터의 보다 광범위한 시적 추세를 반영한 신속한 추론을 가능하게 하는 딥 트랜스포머 기반 이상 탐지 및 진단 모델인 TranAD를 제안한다. TranAD는 초점 점수 기반 자기 조건화(self-conditioning)를 통해 강건한 다중 모달 특징 추출을 가능하게 하며, 적대적 학습(adversarial training)을 통해 모델의 안정성을 확보한다. 또한, 모델 독립적 메타학습(MAML, model-agnostic meta learning)을 도입함으로써 제한된 데이터로도 효과적으로 모델을 훈련할 수 있다. 공개된 6개의 데이터셋을 대상으로 수행한 광범위한 실험 결과, TranAD는 데이터 및 시간 효율적인 훈련을 통해 최신 기준 모델들보다 우수한 탐지 및 진단 성능을 보였다. 특히, TranAD는 기존 기준 모델 대비 F1 점수를 최대 17% 향상시키며, 훈련 시간은 최대 99%까지 단축시켰다.