Motivation
- 이상탐지 가정 상황
- 복잡하고 고차원적인 데이터 처리
- 비선형적인 시계열 패턴 및 장기적인 시간 의존성 처리
- 노이즈나 복잡한 패턴에 가려진 미세한 이상 탐지
Contribution
- DGTAD 모델 제안
- Transformer의 global feature 추출 능력과 GAN의 적대적 학습 기법을 결합한 새로운 이상 탐지 모델.
- 시계열 분해 모듈 설계
- 시계열 데이터를 Trend 와 Seasonality 요소로 분해해 복잡한 패턴을 명확히 구분.
- Decomp Attention Mechanism
- 분해된 시계열 정보를 기반으로 특정 이상 패턴을 더 효과적으로 강조.
- 다중 생성기(GAN) 사용
- 다양한 시점에서 생성기를 사용해 Mode Collapse 문제 완화 및 일반화 성능 강화.
- 우수한 성능 입증
- 9개 벤치마크 데이터셋에서 실험을 통해 기존 방법 대비 4% 이상의 평균 성능 향상을 입증.
Proposed Method
2 가지 주요 구성 요소
- Transformer-based Reconstruction Module
- 시계열 데이터를 분해(Trend, Seasonality) 하여 특징을 추출하고 재구성.
- Decomp Attention Mechanism을 도입해 특정 이상 패턴을 강조하여 탐지 성능 강화.
- GAN-based Adversarial Training Module
- 다중 생성기(Multi-generator)와 판별기(Discriminator)를 사용해 학습.
- 다양한 이상 패턴을 포착하고 모드 붕괴 문제를 해결.
동작 과정
- 데이터 전처리
- 슬라이딩 윈도우(Sliding Window)를 사용해 시계열 데이터를 분할 및 정규화.
- 인코더
- 시계열의 장기 의존성과 분해된 특성을 활용해 정보를 추출.
- 디코더
- 재구성 과정에서 다양한 시점의 이상을 강조하는 메커니즘 적용.
- 판별기
- GAN 구조에서 실제 데이터와 재구성된 데이터를 비교해 이상 여부 판별.
이상 탐지 과정
- 재구성 손실(Reconstruction Loss)과 판별 점수(Discriminator Score)를 결합해 이상 점수(Anomaly Score)를 계산.
- POT(Peak Over Threshold) 알고리즘을 사용해 동적으로 탐지 임계값 결정.
Experiments
결과 요약
- 대부분의 데이터셋에서 최신 방법 대비 우수한 성능 달성.
- 특히 고차원 데이터셋(SMD, MSL) 에서의 성능 향상이 두드러짐.
- 데이터가 적거나 노이즈가 많은 상황에서도 안정적인 성능 유지.