IMPACT: 영향 모델링을 활용한 개방형 시계열 이상 탐지

IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection

개방형 이상 탐지(OSAD)는 학습 단계에서 제한된 수의 이상 클래스 데이터만 사용하여, 테스트 단계에서 기존에 학습되지 않은 이상까지 식별하는 새로운 방법론입니다. 현재의 접근 방식은 주로 간단한 증강 방법을 사용하여 학습되지 않은 이상을 모방하는 가짜 이상 데이터를 생성합니다. 이미지 데이터에서는 유망한 결과를 보여주지만, 이러한 방법은 시계열 데이터의 순차적인 특성을 보존하지 못하여 효과가 떨어지며, 따라서 사소하거나 비현실적인 이상 패턴을 생성하는 문제가 있습니다. 또한, 학습 데이터에 레이블이 없는 이상 데이터가 포함될 경우 이러한 문제가 더욱 심각해집니다. 본 연구에서는 이러한 문제점을 해결하기 위해, 개방형 시계열 이상 탐지를 위한 영향 모델링을 활용하는 새로운 프레임워크인 $ extbf{IMPACT}$를 제안합니다. 핵심 아이디어는 다음과 같습니다. 첫째, 개별 학습 샘플이 모델링에 미치는 영향을 정확하게 추정할 수 있는 영향 함수를 학습합니다. 둘째, 이러한 영향 점수를 활용하여 시계열 데이터에 대해 의미적으로 다르지만 현실적인 학습되지 않은 이상 데이터를 생성하고, 동시에 영향력이 큰 샘플을 이상 데이터 제거를 위한 지도 학습 데이터로 활용합니다. 광범위한 실험 결과, IMPACT는 기존의 최첨단 방법보다 훨씬 뛰어난 성능을 보이며, 다양한 OSAD 환경 및 오염 비율에서 우수한 정확도를 나타냅니다.

Open-set anomaly detection (OSAD) is an emerging paradigm designed to utilize limited labeled data from anomaly classes seen in training to identify both seen and unseen anomalies during testing. Current approaches rely on simple augmentation methods to generate pseudo anomalies that replicate unseen anomalies. Despite being promising in image data, these methods are found to be ineffective in time series data due to the failure to preserve its sequential nature, resulting in trivial or unrealistic anomaly patterns. They are further plagued when the training data is contaminated with unlabeled anomalies. This work introduces $\textbf{IMPACT}$, a novel framework that leverages $\underline{\textbf{i}}$nfluence $\underline{\textbf{m}}$odeling for o$\underline{\textbf{p}}$en-set time series $\underline{\textbf{a}}$nomaly dete$\underline{\textbf{ct}}$ion, to tackle these challenges. The key insight is to $\textbf{i)}$ learn an influence function that can accurately estimate the impact of individual training samples on the modeling, and then $\textbf{ii)}$ leverage these influence scores to generate semantically divergent yet realistic unseen anomalies for time series while repurposing high-influential samples as supervised anomalies for anomaly decontamination. Extensive experiments show that IMPACT significantly outperforms existing state-of-the-art methods, showing superior accuracy under varying OSAD settings and contamination rates.