불확실성을 고려한 시계열 앙상블을 통한 이상 징후 예측

Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles

시계열 데이터에서 이상을 탐지하는 것은 산업 운영, 금융, 사이버 보안과 같은 분야에서 매우 중요하며, 이러한 분야에서는 시스템 신뢰성을 보장하고 예방적 유지보수를 가능하게 하기 위해 비정상적인 패턴을 조기에 식별하는 것이 필수적이다. 그러나 대부분의 기존 방법들은 사후 대응적이다. 즉, 이상이 발생한 후에야 이를 탐지하며 사전적인 조기 경보 신호를 제공하는 능력이 부족하다. 본 논문에서는 다양한 시계열 예측 모델 앙상블로부터 예측 불확실성을 정량화하여 이상 징후(Precursors-of-Anomaly, PoA)를 탐지하는 새로운 비지도 학습 프레임워크인 FATE(Forecasting Anomalies with Time-series Ensembles)를 제안한다. 재구성 오차에 의존하거나 실제 정답(ground-truth) 레이블을 요구하는 기존 접근 방식과 달리, FATE는 추론 시점에 타겟 값에 접근하지 않고도 미래 값을 예측하고 앙상블 간의 불일치를 활용하여 잠재적 이상의 조기 징후를 알린다. PoA 탐지를 엄격하게 평가하기 위해, 우리는 세그먼트 수준의 정확도, 세그먼트 내 커버리지, 조기 예측의 시간적 신속성을 공동으로 평가하여 기존의 시계열 인식 정밀도 및 재현율(TaPR)을 확장한 새로운 지표인 PTaPR(Precursor Time-series Aware Precision and Recall)을 도입한다. 이는 기존 지표들이 간과하는 조기 경보 능력에 대한 보다 종합적인 평가를 가능하게 한다. 5개의 실제 벤치마크 데이터셋에 대한 실험 결과, FATE는 이상 레이블을 요구하지 않으면서도 베이스라인 모델들을 능가하여 PTaPR AUC에서 평균 19.9%포인트, 조기 탐지 F1 점수에서 20.02%포인트의 향상을 달성함을 보여준다. 이러한 결과는 복잡한 시계열 환경에서 실시간 비지도 조기 경보를 위한 FATE의 효과성과 실용성을 입증한다.

Detecting anomalies in time-series data is critical in domains such as industrial operations, finance, and cybersecurity, where early identification of abnormal patterns is essential for ensuring system reliability and enabling preventive maintenance. However, most existing methods are reactive: they detect anomalies only after they occur and lack the capability to provide proactive early warning signals. In this paper, we propose FATE (Forecasting Anomalies with Time-series Ensembles), a novel unsupervised framework for detecting Precursors-of-Anomaly (PoA) by quantifying predictive uncertainty from a diverse ensemble of time-series forecasting models. Unlike prior approaches that rely on reconstruction errors or require ground-truth labels, FATE anticipates future values and leverages ensemble disagreement to signal early signs of potential anomalies without access to target values at inference time. To rigorously evaluate PoA detection, we introduce Precursor Time-series Aware Precision and Recall (PTaPR), a new metric that extends the traditional Time-series Aware Precision and Recall (TaPR) by jointly assessing segment-level accuracy, within-segment coverage, and temporal promptness of early predictions. This enables a more holistic assessment of early warning capabilities that existing metrics overlook. Experiments on five real-world benchmark datasets show that FATE achieves an average improvement of 19.9 percentage points in PTaPR AUC and 20.02 percentage points in early detection F1 score, outperforming baselines while requiring no anomaly labels. These results demonstrate the effectiveness and practicality of FATE for real-time unsupervised early warning in complex time-series environments.