적응형 병목 구간과 이중 적대적 디코더를 활용한 범용 시계열 이상 탐지기 (DADA)

• •기존 모델의 데이터셋 종속성으로 인한 높은 유지보수 비용 발생
• •도메인마다 상이한 정상 패턴 정의와 데이터 드리프트 문제
• •실제 운영 환경에서의 오경보 및 재학습 파이프라인의 복잡성

TSAD는 과거 패턴을 기반으로 현재의 이상 여부를 예측하는 태스크로, 도메인마다 데이터의 스케일과 노이즈 수준이 판이하다.

• •예측 중심 파운데이션 모델의 이상치 탐지 성능 부족
• •평균 오차 학습 방식에 의한 미세 이상 신호 희석 문제
• •완전한 제로샷 성능 확보를 위한 새로운 모델 구조의 필요성

General TSAD는 별도의 데이터 수집이나 파인튜닝 없이 즉각 투입 가능한 'One-model-for-many' 전략을 의미한다.

• •사전 학습 시 구축된 강력한 사전 지식이 제로샷 성능의 결정적 요인임
• •데이터 밀도에 따른 최적의 정보 압축률(Bottleneck) 설정의 중요성
• •수학적 이론을 바탕으로 한 모델 설계의 정당성 확보

PAC-Bayes는 일반화 오차의 한계를 정의하며 정보 병목 이론은 모델의 정보 처리 용량을 최적화하는 가이드라인을 제공한다.

• •데이터 특성에 맞춰 압축 차원을 선택하는 동적 라우팅 구조
• •정상과 이상 디코더를 경쟁시켜 결정 경계를 명확히 하는 적대적 학습
• •양방향 문맥 파악을 위한 효율적인 마스크 모델링 기법 적용

Adaptive Bottlenecks는 16차원에서 256차원까지 다양한 크기의 병목 구간을 준비하고 라우터가 이를 동적으로 선택한다.

• •수동 임계값 튜닝을 대체하는 통계 기반 자동 설정 방식
• •새로운 도메인의 점수 스케일에 즉각 적응하는 유연성
• •운영 단계에서의 완전한 자동화 달성

SPOT은 실시간 스트리밍 환경에서 극단적인 꼬리 분포를 분석하여 임계값을 동적으로 업데이트한다.

• •제로샷 환경에서 기존 데이터셋 특화 모델 대비 우수한 성능 달성
• •적응형 병목 구조 제거 시 성능이 약 5% 하락함을 확인
• •적대적 학습이 정상과 이상의 구분 능력을 획기적으로 향상시킴

성능 지표로는 포인트 어드저스트먼트를 배제한 Affiliation F1 스코어와 AUC-ROC를 사용했다.