초록
최근 딥러닝 기법은 이상 탐지 분야에서 기존의 통계 모델링 및 신호 처리 기반 방법과 비교하여 유연하고 효과적인 시스템 모델링 방식으로서 큰 가능성을 보여주고 있다. 그러나 신경망(Neural Networks, NN)은 일반화 능력의 한계, 효과적인 학습을 위해 대량의 레이블링된 데이터가 필요하며, 데이터 내 공간적 맥락을 이해하는 데 어려움을 겪는 등의 잘 알려진 문제들을 안고 있다. 본 논문에서는 다변량 시계열 데이터에 적용하기 위해, 장단기 기억망(LSTM)과 캡슐 네트워크(Capsule Networks)를 하나의 네트워크에 하이브리드화한 분기형 입력 자동인코더 아키텍처를 제안한다. 제안된 방법은 대량의 레이블링된 학습 데이터 확보 문제를 해결하기 위해 비지도 학습 기법을 활용한다. 실험 결과, 하이퍼파라미터 최적화 없이도 캡슐 구조를 도입함으로써 과적합이 크게 감소하고 학습 효율성이 향상됨을 확인할 수 있었다. 또한 분기형 입력 모델이 캡슐을 포함하든 여부에 관계없이 비분기형 입력 모델보다 다변량 데이터를 더 일관성 있게 학습함을 확인하였다. 제안된 모델 아키텍처는 오픈소스 벤치마크 데이터셋에 적용되어 이상 탐지에서 최신 기술 수준의 성능을 달성하였으며, 테스트된 모든 지표에서 현재 최고 수준의 기법들과 비교하여 종합적으로 가장 우수한 성능을 보였다.