명시적 경계 지도형 반-푸시-풀 대비 학습을 통한 감독형 이상 탐지

대부분의 이상 탐지(Anomaly Detection, AD) 모델은 비지도 학습 방식으로 정상 샘플만을 사용하여 학습되며, 이로 인해 결정 경계가 모호해지고 구분 능력이 부족할 수 있다. 실제로 현실 세계의 응용에서는 일부 이상 샘플이 종종 존재하며, 이러한 이미 알려진 이상 샘플에서 얻을 수 있는 유용한 지식도 효과적으로 활용되어야 한다. 그러나 학습 과정에서 일부 알려진 이상 샘플을 사용할 경우, 모델이 이들 특정 이상 샘플에 편향되면서 미관측 이상 샘플에 대한 일반화 능력이 떨어지는 문제가 발생할 수 있다. 본 논문에서는 이러한 문제를 해결하기 위해 감독형 이상 탐지(supervised anomaly detection)를 제안한다. 즉, 일부 존재하는 이상 샘플을 활용하여 기존에 관측된 이상 샘플뿐 아니라 미관측 이상 샘플까지 탐지할 수 있는 AD 모델을 학습하는 것을 목표로 한다. 이를 위해 우리는 새로운 명시적 경계 유도형 반-푸시-풀(semi-push-pull) 대비 학습 메커니즘을 제안한다. 이는 모델의 구분 능력을 강화하면서도 편향 문제를 완화할 수 있도록 설계되었다. 본 접근법은 두 가지 핵심 설계 원리에 기반한다. 첫째, 정상 샘플의 특징 분포에만 의존하는 명시적이고 컴팩트한 분리 경계를 찾음으로써, 향후 특징 학습의 지침으로 활용한다. 이 경계는 이상 샘플의 영향을 받지 않기 때문에, 소수의 알려진 이상 샘플로 인한 편향 문제를 완화할 수 있다. 둘째, 경계 유도형 반-푸시-풀 손실 함수를 개발하여, 정상 특징은 서로 가까이 끌어모으되, 이상 특징은 분리 경계로부터 일정한 마진 영역을 초과해 멀리 밀어내도록 한다. 이를 통해 모델은 더 명확하고 구분력 있는 결정 경계를 형성하여, 정상 샘플과 이미 관측된 이상 샘플뿐 아니라 미관측 이상 샘플까지도 보다 효과적으로 구분할 수 있다. 코드는 https://github.com/xcyao00/BGAD 에 공개될 예정이다.