모든 변화 감지: 동적 개념 적응을 통한 향상된 이상 감지

Catching Every Ripple: Enhanced Anomaly Awareness via Dynamic Concept Adaptation

온라인 이상 감지(OAD)는 실시간 분석 및 의사 결정에서 진화하는 데이터 스트림에 있어 중요한 역할을 합니다. 그러나 기존 방법은 종종 비용이 많이 드는 재학습과 경직된 의사 결정 경계를 사용하며, 이는 동적 환경에서 개념 변화에 효과적이고 효율적으로 적응하는 능력을 제한합니다. 이러한 문제를 해결하기 위해, 우리는 OAD를 위한 동적 개념 적응 프레임워크인 DyMETER를 제안합니다. DyMETER는 단일 온라인 패러다임 내에서 실시간 파라미터 조정과 동적 임계값 설정을 통합합니다. DyMETER는 먼저 과거 데이터를 기반으로 정적 감지기를 학습하여 반복되는 핵심 개념을 파악한 다음, 개념 변화가 발생하면 동적 모드로 전환하여 새로운 개념에 적응합니다. 특히, DyMETER는 하이퍼 네트워크를 활용하여 정적 감지기의 인스턴스 기반 파라미터 시프트를 생성하는 새로운 동적 개념 적응 메커니즘을 사용합니다. 이를 통해 재학습이나 미세 조정 없이 효율적이고 효과적인 적응이 가능합니다. 견고하고 해석 가능한 적응을 달성하기 위해, DyMETER는 인스턴스 수준의 개념 불확실성을 추정하여 적응적 업데이트를 수행하는 경량화된 진화 제어기를 도입합니다. 또한, DyMETER는 동적 임계값 최적화 모듈을 사용하여 불확실한 샘플의 후보 창을 유지하면서 의사 결정 경계를 적응적으로 재조정하여, 진화하는 개념과의 지속적인 일관성을 확보합니다. 광범위한 실험 결과는 DyMETER가 다양한 응용 시나리오에서 기존의 OAD 접근 방식보다 훨씬 우수한 성능을 보인다는 것을 보여줍니다.

Online anomaly detection (OAD) plays a pivotal role in real-time analytics and decision-making for evolving data streams. However, existing methods often rely on costly retraining and rigid decision boundaries, limiting their ability to adapt both effectively and efficiently to concept drift in dynamic environments. To address these challenges, we propose DyMETER, a dynamic concept adaptation framework for OAD that unifies on-the-fly parameter shifting and dynamic thresholding within a single online paradigm. DyMETER first learns a static detector on historical data to capture recurring central concepts, and then transitions to a dynamic mode to adapt to new concepts as drift occurs. Specifically, DyMETER employs a novel dynamic concept adaptation mechanism that leverages a hypernetwork to generate instance-aware parameter shifts for the static detector, thereby enabling efficient and effective adaptation without retraining or fine-tuning. To achieve robust and interpretable adaptation, DyMETER introduces a lightweight evolution controller to estimate instance-level concept uncertainty for adaptive updates. Further, DyMETER employs a dynamic threshold optimization module to adaptively recalibrates the decision boundary by maintaining a candidate window of uncertain samples, which ensures continuous alignment with evolving concepts. Extensive experiments demonstrate that DyMETER significantly outperforms existing OAD approaches across a wide spectrum of application scenarios.