맥락에서 벗어난 오류: 다중 모드 이상 탐지에서 신뢰성을 확보하려면 문맥적 추론이 필요합니다.

Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference

이상 탐지는 예상되는 행동에서 벗어나는 현상을 식별하는 것을 목표로 합니다. 이상 현상은 본질적으로 희소하기 때문에, 대부분의 프레임워크는 단일 기준 모델을 학습하기 위해 정상 데이터만 사용하여 훈련됩니다. 이는 정상적인 행동이 단일하고 조건 없는 기준 분포로 표현될 수 있다는 것을 암묵적으로 가정합니다. 그러나 실제로는 이상 현상이 종종 문맥에 따라 달라집니다. 특정 관측치는 특정 작동 조건에서는 정상일 수 있지만, 다른 조건에서는 이상일 수 있습니다. 기계 학습 시스템이 동적이고 이질적인 환경에 배치됨에 따라, 이러한 고정된 문맥 가정은 구조적 모호성을 야기하며, 이는 주변 모델링 하에서 문맥적 변동과 실제 이상 현상을 구별하는 데 어려움을 초래하여 불안정한 성능과 신뢰할 수 없는 이상 탐지 결과를 초래합니다. 현대 센서 시스템은 시스템의 행동과 작동 조건의 상호 보완적인 측면을 포착하는 다중 모드 데이터를 자주 수집하지만, 기존 방법은 모든 데이터 스트림을 동일하게 취급하며, 문맥 정보를 이상과 관련된 신호와 구별하지 않습니다. 그 결과, 이상은 종종 작동 조건에 명시적으로 조건을 부여하지 않고 평가됩니다. 우리는 다중 모드 이상 탐지가 문맥적 추론 문제로 재구성되어야 한다고 주장합니다. 여기서 모드 간의 역할이 비대칭적으로 분리되어, 문맥과 관측치를 분리하여 단일의 전역 기준에 대한 상대적인 것이 아닌 조건부로 이상을 정의해야 합니다. 이러한 관점은 모델 설계, 평가 프로토콜 및 벤치마크 구축에 영향을 미치며, 강력하고 문맥 인지적인 다중 모드 이상 탐지를 위한 미해결 연구 과제를 제시합니다.

Anomaly detection aims to identify observations that deviate from expected behavior. Because anomalous events are inherently sparse, most frameworks are trained exclusively on normal data to learn a single reference model of normality. This implicitly assumes that normal behavior can be captured by a single, unconditional reference distribution. In practice, however, anomalies are often context-dependent: A specific observation may be normal under one operating condition, yet anomalous under another. As machine learning systems are deployed in dynamic and heterogeneous environments, these fixed-context assumptions introduce structural ambiguity, i.e., the inability to distinguish contextual variation from genuine abnormality under marginal modeling, leading to unstable performance and unreliable anomaly assessments. While modern sensing systems frequently collect multimodal data capturing complementary aspects of both system behavior and operating conditions, existing methods treat all data streams equally, without distinguishing contextual information from anomaly-relevant signals. As a result, abnormality is often evaluated without explicitly conditioning on operating conditions. We argue that multimodal anomaly detection should be reframed as a cross-modal contextual inference problem, in which modalities play asymmetric roles, separating context from observation, to define abnormality conditionally rather than relative to a single global reference. This perspective has implications for model design, evaluation protocols, and benchmark construction, and outline open research challenges toward robust, context-aware multimodal anomaly detection.