Time series anomaly detection (TSAD)의 주요 과제인 zero-shot 방식의 일반화된 모델 개발의 어려움을 해결하기 위해, 새로운 사전 훈련 패러다임인 Relative Context Discrepancy (RCD)를 기반으로 한 \texttt{TimeRCD} 모델을 소개합니다. 기존의 재구성 기반 모델의 한계를 극복하기 위해, \texttt{TimeRCD}는 인접한 시간 윈도우 간의 불일치를 감지하여 이상치를 식별하도록 명시적으로 훈련됩니다. 표준 Transformer 아키텍처를 사용하여 구현된 이 관계적 접근 방식은 재구성 기반 방법이 놓치기 쉬운 이상치를 나타내는 문맥적 변화를 포착할 수 있게 합니다. 대규모의 다양한 합성 데이터셋을 활용하여 효과적인 사전 훈련을 위한 풍부한 감독 신호를 제공합니다. 실험 결과는 \texttt{TimeRCD}가 다양한 데이터셋에서 zero-shot TSAD에서 기존 모델보다 우수한 성능을 보임을 입증합니다.
시사점, 한계점
•
시사점:
◦
새로운 사전 훈련 패러다임인 RCD를 통해 TSAD 모델의 성능 향상.
◦
재구성 기반 방법의 한계를 극복하고 이상치 탐지에 효과적인 접근 방식 제시.
◦
Transformer 아키텍처를 활용한 모델 설계의 유효성 입증.
◦
대규모 합성 데이터셋을 활용하여 모델의 일반화 능력 향상.
•
한계점:
◦
모델의 성능은 합성 데이터셋에 의존하며, 실제 데이터에 대한 일반화 능력은 추가 검증 필요.
