[모델링] 이상 탐지 모델 4 - 시계열 이상 탐지 딥러닝 모델

참고 아티클

https://meetup.nhncloud.com/posts/375

이상 탐지 4부-딥 러닝으로 이상 탐지하기 : NHN Cloud Meetup

 

시계열 이상 탐지 딥러닝 모델 3가지

1. THOC (Temporal Hierarchical One-Class Network)

RNN을 활용하여 시계열 데이터를 다단계로 분석하는 모델로, 이상 탐지를 위한 계층적 특성 추출 기법을 적용

• RNN 
• Prediction-based (예측 기반)
• 핵심 아이디어:
  • 시계열 데이터를 다단계로 추출하여 점진적으로 의미 있는 특성을 학습
  • 추출된 특성이 밀집된 분포를 가진다는 가정하에 SVDD(one-class) 기반 탐지 적용
  • 다중 계층을 활용하여 보다 정교한 표현 학습 및 이상 탐지 성능 향상

 

2. SIS-VAE (Smoothness-Inducing Sequential Variational Auto-Encoder)

VAE 기반의 확률적 모델을 사용하여 정상 시계열 데이터의 분포를 학습하고, 부드럽지 않은 변화를 이상 데이터로 탐지

• RNN + VAE
• Reconstruction-based (복원 기반)
• 핵심 아이디어:
  • 입력 데이터의 확률 분포를 복원하여 시계열 데이터를 분석
  • 정상 데이터는 확률 분포가 부드럽게 이어진다는 가정을 활용한 이상 탐지
  • 급격한 변화를 보이는 데이터는 이상 데이터로 판별

 

3. Anomaly Transformer

Transformer의 Self-Attention을 활용하여 시계열 데이터의 연관성을 분석하고, 이상 데이터의 특징을 확률적 방법으로 탐지

• Transformer
• Reconstruction-based (복원 기반)
• 핵심 아이디어:
  • Self-Attention을 이용해 시퀀스 내 데이터 간 연관성을 추출
  • 정상 데이터는 연관성이 고르게 분포하지만, 이상 데이터는 특정 구간에서만 높은 연관성을 가짐
  • 데이터 간의 관계 자체를 분석하여 이상 탐지 수행

 

코드로 알아보기

https://haiyo34.tistory.com/27

[모델링] 이상 탐지 모델 4 - 시계열 이상 탐지 딥러닝 모델(파이썬 코드ver)