초록
이상 탐지는 다양한 데이터 유형에 대해 광범위하게 연구된 과제이며, 그 중에서도 다중 시계열 데이터는 전력망, 교통 네트워크 등 다양한 응용 분야에서 자주 등장한다. 그러나 구성 시계열 간의 복잡한 상호의존성으로 인해 다중 시계열의 이상 탐지는 도전적인 주제로 남아 있다. 본 연구에서는 이상이 분포의 낮은 밀도 영역에서 발생한다고 가정하고, 밀도 추정 성능이 뛰어난 정규화 흐름(normalizing flows)을 사용하여 비지도 이상 탐지에 활용하는 방안을 탐색한다. 또한, 구성 시계열 간에 베이지안 네트워크를 도입함으로써 새로운 흐름 모델을 제안한다. 베이지안 네트워크는 인과 관계를 모델링하는 방향성 비순환 그래프(directed acyclic graph, DAG)로, 시계열들의 결합 확률을 계산이 용이한 조건부 확률의 곱으로 인수분해할 수 있다. 이러한 그래프 증강형 정규화 흐름 접근법을 GANF(Graph-augmented Normalizing Flow)라고 명명하며, DAG 구조와 흐름 파라미터를 동시에 추정하는 공동 추정 전략을 제안한다. 실제 세계 데이터셋을 대상으로 광범위한 실험을 수행한 결과, GANF가 밀도 추정, 이상 탐지, 시계열 분포의 변동(드리프트) 식별 측면에서 뛰어난 성능을 보임을 입증하였다.