AER: 시계열 이상 탐지를 위한 회귀를 통한 자동에코더

시계열 데이터에서의 이상 탐지 기술은 사고와 경제적 손실을 예방하기 위해 다양한 산업 분야에서 점점 더 널리 활용되고 있다. 그러나 레이블이 부족한 데이터와 이상 현상에 대한 모호한 정의로 인해 이러한 노력은 여전히 복잡한 과제로 남아 있다. 최근의 비지도 기계학습 기법들은 단일 시점 예측 또는 시계열 재구성 방식을 통해 이 문제에 놀라운 진전을 이루었다. 기존에는 별개로 고려되었지만, 이러한 방법들은 서로 배타적이지 않으며, 이상 탐지에 있어 보완적인 관점을 제공할 수 있다. 본 논문에서는 시계열 신호와 이상 점수를 시각화함으로써 예측 기반 및 재구성 기반 방법의 성과와 한계를 분석한다. 그 후, 단순 자동에코더와 LSTM 회귀 모델을 결합하여 각 방법의 장점을 살리고 단점을 보완하는 통합 모델인 AER(Auto-encoder with Regression)를 제안한다. 제안된 모델은 공동 목적 함수 최적화를 통해 양방향 예측과 동시에 원본 시계열의 재구성을 수행할 수 있다. 또한, 다양한 제거 연구(ablation studies)를 통해 예측 오차와 재구성 오차를 결합하는 여러 방식을 제안한다. 마지막으로, NASA, Yahoo, Numenta, UCR에서 제공하는 12개의 유명한 단변량 시계열 데이터셋을 대상으로 AER 아키텍처의 성능을 두 가지 예측 기반 방법과 세 가지 재구성 기반 방법과 비교하였다. 실험 결과, AER는 모든 데이터셋에서 평균 F1 점수에서 가장 높은 성능을 보였으며, ARIMA 대비 23.5% 향상된 결과를 기록하였다. 또한, 단순 자동에코더와 회귀 모델 구성 요소와 유사한 실행 시간을 유지하였다. 본 모델은 시계열 이상 탐지용 오픈소스 벤치마킹 도구인 Orion에 공개되어 있다.