다변량 시계열 이상 탐지(TSAD)에서 정답 데이터 부족 문제를 해결하기 위해, 관련 도메인의 정답 데이터를 활용하여 비정답 데이터가 있는 대상 도메인에서 이상을 탐지하는 비지도 도메인 적응(UDA) 기법을 제안합니다. 기존 UDA 방법들은 도메인 간 일관된 이상 클래스를 가정하지만, 본 논문에서는 도메인 간 일관성 없는 이상 클래스 문제를 해결하기 위해 UDA와 대조 학습을 결합한 새로운 도메인 적응 대조 학습 기반 이상 탐지 모델(DACAD)을 제시합니다. DACAD는 새로운 이상 클래스에 대한 일반화를 향상시키는 이상 주입 메커니즘을 사용하며, 소스 도메인에는 지도 대조 손실, 타겟 도메인에는 자기 지도 대조 triplet 손실을 적용하여 포괄적인 특징 표현 학습과 도메인 불변 특징 추출을 보장합니다. 또한, 중심 기반 엔트로피 분류기(CEC)를 사용하여 소스 도메인에서 정상 경계를 정확하게 학습합니다. 실제 데이터셋과 합성 데이터셋에 대한 광범위한 평가를 통해 DACAD가 도메인 간 지식 전달 및 TSAD에서 제한된 정답 데이터 문제 완화에 탁월한 성능을 보임을 강조합니다.
