본 논문은 자기 지도 학습 기반 클러스터링을 활용한 새로운 모델 독립적 이상 탐지 프레임워크인 MADCluster를 제안합니다. MADCluster는 다양한 심층 학습 아키텍처에 적용 가능하며, 기존 심층 학습 기반 이상 탐지 방법의 '초구면 붕괴' 문제를 해결합니다. 정상 패턴 데이터를 '단일 클러스터'로 클러스터링하는 동시에 클러스터 중심을 학습하고 이 중심에 가까운 데이터를 매핑하는 것이 핵심 아이디어입니다. 또한, 표현력을 향상시키고 효과적인 단일 클러스터링을 가능하게 하기 위해 새로운 '단방향 적응 손실 함수(One-directed Adaptive loss)'를 제안하며, 해당 손실 함수의 최적화는 수학적으로 증명되었습니다. MADCluster는 고차원 시계열 역동성을 포착하는 기본 임베더(Base Embedder), 클러스터 거리 매핑, 그리고 지속적인 중심 업데이트를 위한 시퀀스별 클러스터링의 세 가지 주요 구성 요소로 구성됩니다. 다양한 아키텍처를 기본 임베더에 적용함으로써 모델 독립적인 특성을 달성합니다. 네 개의 시계열 벤치마크 데이터셋에 대한 실험을 통해 MADCluster를 적용하면 비교 모델의 전반적인 성능이 향상됨을 보여줍니다. 결론적으로 MADCluster의 호환성은 다양한 아키텍처에서 모델 성능을 향상시킬 가능성을 보여줍니다.
