시간 시계열 이상 탐지에서 재구성 기반 방법은 지배적인 패러다임이지만, 평균 제곱 오차(MSE) 손실에 대한 의존성으로 인해 통계적으로 결함이 있는 재구성 잔차가 발생합니다. 이러한 근본적인 약점은 잡음이 많고 불안정한 이상 점수를 초래하여 신호 대 잡음비가 낮아 신뢰할 수 있는 탐지를 방해합니다. 이러한 문제를 해결하기 위해, 본 논문은 모델에 구애받지 않고 문제를 근본적으로 해결하는 보편적인 향상 프레임워크인 COGNOS(Constrained Gaussian-Noise Optimization and Smoothing)를 제안합니다. COGNOS는 훈련 중에 새로운 가우시안 백색 잡음 정규화 전략을 도입하여 모델의 출력 잔차가 가우시안 백색 잡음 분포를 따르도록 직접 제약합니다. 이 설계된 통계적 속성은 두 번째 기여 요소인 칼만 스무딩 후처리 프로세서가 원시 이상 점수를 노이즈 제거하는 통계적으로 최적의 추정기로 작동할 수 있는 이상적인 전제 조건을 만듭니다. 이 두 구성 요소 간의 시너지 효과를 통해 COGNOS는 실제 이상 신호와 무작위 변동을 강력하게 분리할 수 있습니다. 광범위한 실험을 통해 COGNOS가 매우 효과적이며, 여러 실제 벤치마크 데이터 세트에서 12개의 다양한 백본 모델에 적용했을 때 평균 F-점수가 57.9% 향상되었음을 보여줍니다. 이 연구는 출력 통계를 직접 정규화하는 것이 이상 탐지 시스템을 크게 개선하기 위한 강력하고 일반화 가능한 전략임을 보여줍니다.
