CARLA: 시계열 이상 탐지를 위한 자기지도형 대비 표현 학습

시계열 이상 탐지(TSAD)에서 가장 큰 도전 과제 중 하나는 실제 응용 환경에서 레이블이 부족한 경우가 많다는 점이다. 기존의 대부분의 이상 탐지 기법은 레이블이 없는 시계열 데이터의 정상적인 행동을 비지도 학습 방식으로 학습하는 데 집중하고 있다. 그러나 이러한 기법들은 정상 범위를 과도하게 좁게 정의하기 때문에, 미세한 변동조차도 이상으로 분류하게 되어 오류 양성률(FPR)이 높아지고 정상 패턴의 일반화 능력이 제한된다. 이를 해결하기 위해 우리는 시계열 이상 탐지를 위한 새로운 엔드투엔드 자기지도 대조적 표현 학습 방법론인 CARLA(ContrAstive Representation Learning for Anomaly detection)를 제안한다. 기존의 대조 학습 기법들은 증강된 시계열 윈도우를 긍정 샘플로, 시간적으로 멀리 떨어진 윈도우를 부정 샘플로 가정하지만, 본 연구에서는 이러한 가정이 제한적임을 주장한다. 왜냐하면 시계열 데이터의 증강이 오히려 부정 샘플로 전환될 수 있으며, 시간적으로 멀리 떨어진 윈도우라도 정상적인 패턴을 나타낼 수 있기 때문이다. 본 대조 학습 방법은 기존의 시계열 이상에 대한 일반적인 지식을 활용하여 다양한 유형의 이상을 부정 샘플로 삽입함으로써, 정상 행동뿐만 아니라 이상을 나타내는 편차도 함께 학습한다. 이로 인해 시간적으로 가까운 윈도우는 유사한 표현을 생성하고, 이상은 서로 다른 표현을 갖게 된다. 또한, 자기지도 학습 방식을 통해 표현의 이웃 정보를 활용하여 가장 가까운 혹은 가장 먼 이웃 기반으로 윈도우를 분류함으로써 이상 탐지 성능을 더욱 향상시킨다. 제안된 CARLA는 7개의 주요 실세계 시계열 이상 탐지 데이터셋에서 수행된 광범위한 실험을 통해 최신의 자기지도 및 비지도 TSAD 기법들보다 우수한 성능을 보였다. 본 연구는 대조적 표현 학습이 시계열 이상 탐지 기술의 발전에 미칠 잠재력을 입증한다.