본 논문은 시계열 이상 탐지에 있어 시각-언어 모델(VLM)을 활용하는 새로운 접근 방식을 제시한다. 기존 연구가 수치 데이터에 특화된 모델에 집중하는 반면, 본 연구는 인간 전문가처럼 시각적 및 시간적 이해 능력을 갖춘 모델을 개발하고자 한다. 이를 위해 2단계 솔루션을 제안한다. 첫 번째 단계인 ViT4TS는 2D 시계열 표현을 활용하여 이상 후보를 식별하며, 두 번째 단계인 VLM4TS는 VLM을 기반으로 글로벌 시간적 컨텍스트와 시각적 이해 능력을 통합하여 후보를 정제한다. 제안하는 VLM4TS는 시간 시계열 훈련 없이도 기존의 시계열 기반 모델 및 언어 모델 기반 방법을 능가하며, F1-max 점수에서 24.6% 향상을 보였다. 또한, 토큰 사용 측면에서 평균 36배 더 효율적이다.
