KDSelector: A Knowledge-Enhanced and Data-Efficient Model Selector Learning Framework for Time Series Anomaly Detection
Created by
Haebom
Category
Empty
저자
Zhiyu Liang, Dongrui Cai, Chenyuan Zhang, Zheng Liang, Chen Liang, Bo Zheng, Shi Qiu, Jin Wang, Hongzhi Wang
개요
본 논문은 시계열 이상 탐지(TSAD)에서 최적 모델이 존재하지 않는다는 문제를 해결하기 위해, 기존의 신경망(NN) 기반 모델 선택기의 한계를 극복하는 새로운 프레임워크인 KDSelector를 제안합니다. KDSelector는 기존의 NN 기반 선택기가 과거 데이터의 지식을 완전히 활용하지 못하고 모든 훈련 샘플을 반복해야 하는 문제를 해결하기 위해, 지식을 통합하고 중요하지 않거나 중복된 샘플을 동적으로 제거하는 세 가지 핵심 구성 요소를 통해 데이터 효율성을 높이고 정확도를 향상시킵니다. 본 논문은 KDSelector를 내부 모듈로 사용하는 TSAD 모델 선택 시스템을 시연하여, 사용자가 KDSelector를 플러그 앤 플레이 방식으로 사용하여 선택기의 정확도와 훈련 속도를 향상시키는 방법을 보여줍니다.
시사점, 한계점
•
시사점:
◦
기존 NN 기반 TSAD 모델 선택기의 한계점인 데이터 활용 저하 및 훈련 속도 저하 문제를 효과적으로 해결합니다.
◦
지식 기반 접근 방식을 통해 더 정확하고 효율적인 TSAD 모델 선택을 가능하게 합니다.
◦
KDSelector를 플러그 앤 플레이 방식으로 사용할 수 있어 사용 편의성을 높입니다.
•
한계점:
◦
KDSelector의 성능은 사용 가능한 지식의 질과 양에 따라 영향을 받을 수 있습니다.
