[ICLR 2022] 2편: 시계열 이상 감지 (Time Series Anomaly Detection)

이상 감지(Anomaly Detection)는 데이터 내의 정상 패턴을 따르지 않는 이상치를 찾아내는 작업으로, 위험 관리와 보안, 사기 탐지 등 다양한 분야에서 활용된다. 기존의 One-Class SVM이나 Kernel Density Estimation 같은 고전적 방식은 고차원 시계열 데이터의 복잡한 역동성을 학습하고 미지의 시나리오를 일반화하는 데 한계가 있다.

최근에는 이를 극복하기 위해 딥러닝을 적용하고 있으며, 특히 실제 환경에서는 비정상 데이터의 라벨링이 어렵기 때문에 비지도 학습(Unsupervised Learning) 기반의 연구가 주를 이룬다. 비지도 학습 방식은 정상 데이터만을 활용해 Auto-Encoder 등의 모델을 학습시킨 뒤, 입력 데이터와 복원된 데이터 사이의 **복원 오차(Reconstruction Error)**를 기준으로 이상치를 판별한다.

하지만 기존 딥러닝 모델들은 비정상 데이터까지 너무 잘 복원해버리거나, 시계열의 시간적 맥락(Temporal Context)을 충분히 반영하지 못하는 한계가 있다. 이를 해결하기 위해 ICLR 2022에서는 Transformer 구조를 이상 감지에 최적화하여 제안한 Anomaly Transformer와 같은 혁신적인 모델들이 발표되었다.