보호되어 있는 글입니다.

이 논문은 시계열 데이터에서 domain shift 상황에서도 재학습 없이 이상치를 탐지하기 위한 domain generalization 기반 딥러닝 프레임워크를 제안한다.기존 시계열 이상탐지 방법들이 학습 분포와 테스트 분포가 동일하다는 가정에 크게 의존했던 것과 달리, 본 논문은 source 도메인 데이터만으로도 미지의 target 도메인에서 견고한 representation을 학습하는 것을 목표로 한다.이를 위해 서로 다른 목적을 가진 multiview augmentation을 통해 domain-invariant, robust, task-adaptive representation을 생성하고, negative pair 없이도 collapse를 방지하는 contrastive learning 구조를 통해..

시계열 이상탐지에 흥미를 가지고 여러 방법론들을 공부해오면서, 보다 깊이 있는 이해에 앞서 각 접근법들을 한 번 훑어보고 큰 그림을 그리는 과정이 필요하다고 느꼈다. 이에 본 글에서는 시계열 데이터에서의 이상탐지를 위해 제안된 딥러닝 기반 방법들을 체계적으로 정리한 서베이 논문을 리뷰한다. 이 논문은 최근 수년간 등장한 다양한 딥러닝 모델들이 시계열 이상탐지 문제를 어떤 관점과 가정 아래 접근해왔는지를 정리하고, 방법론을 유형별로 구분한다. 또한 각 접근법이 어떤 유형의 이상에 강점과 한계를 가지는지를 분석하며, 더 나아가 실제 응용 도메인 공개 데이터셋, 평가 지표, 해석 가능성과 같은 실무적 이슈까지 함께 다룬다. 이를 통해 시계열 이상탐지 연구가 현재 직면한 핵심 과제와 향후 연구 방향을 제시한다...

보호되어 있는 글입니다.

이 논문은 시계열 데이터에서 비지도 학습 방식으로 이상치를 탐지하기 위한 새로운 딥러닝 모델인 Anomaly Transformer를 제안한다. 기존 방법들이 주로 값의 재구성 오차에 의존해 이상을 판단한 것과 달리, Anomaly Transformer는 각 시점이 전체 시계열과 맺는 관계에 주목한다. Transformer의 self-attention으로 학습된 series association과 국소적 의존을 가정한 prior association의 차이(association discrepancy)를 이상 판단 기준으로 사용하며, 이를 안정적으로 학습하기 위해 minimax 전략을 도입하고 재구성 오차와 결합한 anomaly score를 설계한다.1. Introduction & Related Work 시..

보호되어 있는 글입니다.

이 논문은 다중 도메인 시계열 데이터로 사전 학습된 범용 이상 탐지 모델을 제안한다. 데이터 특성에 따라 병목 크기를 적응적으로 선택하는 Adaptive Bottlenecks와 정상, 이상 패턴을 명시적으로 분리하는 Dual Adversarial Decoders를 결합함으로써, 별도의 도메인별 재학습 없이도 다양한 시나리오에서 안정적인 이상 탐지 성능을 확보했다.1. Introduction딥러닝 기반 시계열 이상 탐지 모델은 데이터의 복잡한 패턴을 효과적으로 표현할 수 있다는 점에서 좋은 성과를 내고 있다.그러나 대부분의 기존 방법들의 경우 각 데이터셋마다 별도로 모델을 학습(Figure1의 빨간 부분)해야 하는데, 실제 적용에서 한계가 분명하다는 문제가 있다. 새로운 도메인이나 시나리오가 등장할 때마다..

보호되어 있는 글입니다.

보호되어 있는 글입니다.

2025년 12월19일 ~ 12월 20일, 서울대학교에서 열린 한국통계학회 동계학술논문발표회 포스터세션에 참여했다. 약 반년 동안 학과 교수님과 함께 학부연구활동을 진행해왔는데, 그동안의 연구 내용을 정리해 이번 학회 포스터 세션으로 발표하게 되었다. 개인적으로는 처음 참여하는 학회라 준비 과정부터 모든 것이 새롭게 느껴졌다. 포스터 세션에 참여하기 위해 지금까지의 연구를 하나의 포스터로 구성하는 작업을 진행했는데, 예상보다 훨씬 많은 시간이 소모됐다. 독자의 수준을 어느 정도로 설정해야 할지, 기존 방법론은 어디까지 설명해야 하는지, 알고리즘은 얼마나 자세하게 담아야 하는지, 또 figure와 text의 비율은 어떻게 가져가야 할지 등 고민해야 할 요소들이 정말 많았다. 직접 준비한 연구 내용을 학회에..