탐지 불가능한 것의 탐지: 능동 학습을 통한 비지도 시계열 이상 감지 성능 향상

Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning

산업용 AI 시스템이 점점 더 정교해지고 있지만, 복잡한 시계열 데이터에서 미묘하고 노이즈가 많은 이상 현상을 안정적으로 탐지하는 것은 여전히 중요한 과제입니다. 대규모 산업 응용 분야에서 시계열 데이터를 레이블링하는 것은 종종 비용과 시간이 많이 소요되므로, 비지도 학습은 실용적이고 널리 사용되는 접근 방식입니다. 그러나 기존의 비지도 방법은 종종 정상 패턴과 거의 정상인 이상 현상을 구별하는 데 어려움을 겪으며, 정상 샘플 내의 노이즈에 취약합니다. 이러한 한계를 해결하기 위해, 우리는 능동 학습을 활용하여 비지도 모델의 성능을 반복적으로 향상시키는 새로운 프레임워크를 제안합니다. 본 프레임워크의 핵심 기여는 다음과 같습니다 (1) 모델이 강력한 시간적 의존성을 학습하도록 강제하는 마스크된 시계열 재구성 피드백 전략, 그리고 (2) 정상 및 비정상 샘플을 다르게 처리하여 견고성을 높이는 최소-최대 학습 전략입니다. 이러한 과정을 통해 모델은 미묘하고 노이즈가 많은 패턴의 역학 관계를 더 잘 파악할 수 있습니다. 제안된 프레임워크는 네 개의 다변량 시계열 데이터 세트와 일곱 가지 비지도 기반 모델을 포함하는 28개의 테스트 사례에 대해 평가되었습니다. 실험 결과, AUC 값이 기존 모델보다 12.39% 향상되었으며, 이는 본 방법이 기존의 비지도 재구성 기반 이상 감지 시스템에 쉽게 통합되어 성능을 크게 향상시킬 수 있음을 확인합니다.

Despite the increasing sophistication of industrial AI systems, the ability to reliably detect subtle and noisy anomalies in complex time series data remains a critical yet unresolved challenge. In large-scale industrial applications, labeling time series data is often prohibitively expensive and time-consuming, making unsupervised learning a practical and widely adopted approach. However, existing unsupervised methods frequently struggle to distinguish near-normal anomalies from normal patterns and are vulnerable to noise contamination within normal samples. To address these limitations, we propose a novel framework that leverages active learning to iteratively enhance the performance of unsupervised models. Our framework's core contributions are (1) a masked time-series reconstruction feedback strategy that forces the model to learn robust temporal dependencies, and (2) a minimax learning strategy that promotes robustness by differentially treating normal and abnormal samples. This process encourages the model to better capture the dynamics of subtle and noisy patterns. The proposed framework is evaluated across 28 test cases involving four multivariate time-series datasets and seven unsupervised backbone models. Experimental results demonstrate a 12.39% improvement in AUC compared to the original models, confirming that our method can be readily integrated into existing unsupervised reconstruction-based anomaly detection systems to significantly enhance their performance.