Mamba 적응형 이상 탐지 변환기: 시계열을 위한 연관성 불일치 기반 접근

시계열 데이터에서의 이상 탐지는 산업 모니터링 및 환경 센싱에 있어 필수적이지만, 복잡한 패턴과 이상을 구분하는 것은 여전히 도전 과제이다. 기존의 방법들인 Anomaly Transformer와 DCdetector 등은 상당한 진전을 이루었으나, 단기적 맥락에 취약하거나 노이즈가 많고 비정상적인 환경에서의 효율성이 낮다는 한계를 지닌다.이러한 문제를 극복하기 위해, 연관성 불일치 모델링과 재구성 품질을 향상시킨 개선된 아키텍처인 MAAT를 제안한다. MAAT는 희소 주의(Sparse Attention)를 특징으로 하며, 관련 있는 시점에 집중함으로써 장거리 의존성을 효율적으로 포착함으로써 계산적 중복을 줄인다. 또한, 재구성 모듈에 Mamba-Selective State Space Model을 통합하여 스킵 연결과 게이트형 주의(Gated Attention)를 활용함으로써 이상 탐지 및 정확한 위치 파악 성능을 향상시켰다.광범위한 실험을 통해 MAAT가 기존 방법들을 크게 능가함을 입증하였으며, 다양한 시계열 응용 분야에서 이상 구분 능력과 일반화 성능이 향상됨을 확인하였다. 이는 현실 세계의 비지도 시계열 이상 탐지 기준을 새롭게 제시하며, 새로운 기준을 설정하였다.