본 논문은 시간 시계열 이상 탐지에서 기존의 재구성 기반 심층 학습 방법의 한계점(제한된 시간적 맥락, 정상 패턴의 불충분한 표현, 잘못된 평가 지표)을 해결하기 위해 SimAD(Simple dissimilarity-based approach for time series Anomaly Detection)를 제안합니다. SimAD는 확장된 시간 창을 처리하는 패치 기반 특징 추출기와 EmbedPatch 인코더를 사용하여 정상 행동 패턴을 통합하고, ContrastFusion 모듈을 통해 정상 및 비정상 데이터 간의 분포 차이를 강조하여 이상 탐지의 강건성을 높입니다. 또한, 기존 지표의 한계를 극복하기 위해 Unbiased Affiliation (UAff)과 Normalized Affiliation (NAff)이라는 두 가지 강화된 평가 지표를 제시합니다. 7개의 다양한 시간 시계열 데이터셋에 대한 실험 결과, SimAD는 기존 최첨단 방법들보다 우수한 성능을 보이며, 6개의 다변량 데이터셋에서 F1 기준 19.85%, Aff-F1 기준 4.44%, NAff-F1 기준 77.79%, AUC 기준 9.69%의 상대적 성능 향상을 달성했습니다. 코드와 사전 훈련된 모델은 Github에서 공개됩니다.
