동적 탐지기 점수 결합으로 이상치 탐지 성능 향상

초록

DCSO는 테스트 샘플의 k‑최근접 이웃을 이용해 지역적 데이터를 정의하고, 그 지역에서 가장 성능이 좋은 기본 탐지기들을 동적으로 선택·조합한다. 기존 정적 평균·가중 평균 방식보다 정밀도가 높으며, 다양한 기본 탐지기와 결합 가능하고, 선택 과정을 시각화·통계적으로 검증해 해석 가능성을 높였다.

상세 분석

본 논문은 비지도 이상치 탐지 분야에서 기존 정적 결합 방식이 갖는 한계를 극복하기 위해, 동적 탐지기 선택(Dynamic Classifier Selection, DCS) 개념을 비지도 이상치 앙상블에 적용한 DCSO 프레임워크를 제안한다. 핵심 아이디어는 테스트 인스턴스마다 k‑nearest neighbor(kNN) 기반으로 지역(local region)을 정의하고, 그 지역 내에서 각 기본 탐지기들의 점수와 의사‑그라운드 트루스(pseudo‑ground truth)와의 유사성을 측정해 가중치를 산출한다. 가장 높은 가중치를 가진 탐지기들을 상위 m 개 선택하고, 선택된 탐지기들의 점수를 다시 평균하거나 가중 평균하여 최종 이상치 점수를 산출한다. 이 과정은 두 단계로 나뉜다. 첫 번째는 다양한 파라미터·특징 서브셋을 이용해 다수의 기본 탐지기(예: LOF, k‑NN, Isolation Forest 등)를 생성·학습하는 ‘Generation’ 단계이며, 두 번째는 테스트 샘플마다 지역적 성능을 평가해 탐지기를 선택·조합하는 ‘Combination’ 단계이다.

DCSO는 기존 정적 방법(SG_A, SG_M, SG_WA 등)과 비교해 다음과 같은 기술적 장점을 제공한다. ① 지역성 활용: 전역 점수 기반 가중치를 사용하는 SG_WA와 달리, DCSO는 테스트 샘플 주변 k개의 이웃에 한정된 점수 분포를 이용해 탐지기 성능을 평가함으로써, 고차원·다중분포 데이터에서 지역적 이상치를 더 정확히 포착한다. ② 동적 선택: 각 샘플마다 최적 탐지기 집합을 달리 선택함으로써, 특정 탐지기가 전역적으로는 평균 이하이지만 특정 지역에서는 우수한 성능을 보이는 경우를 활용한다. ③ 다중 탐지기 조합(DES 형태): 단일 탐지기 선택에 그치지 않고, 상위 m 개의 탐지기를 두 번째 단계에서 다시 결합함으로써 선택 오류에 대한 위험을 분산시켜 안정성을 높인다. ④ 해석 가능성: 선택된 탐지기와 그 지역적 근거를 시각화하고, Aggarwal‑Sathe의 편향‑분산 프레임워크를 적용해 이론적 근거를 제공한다. 또한, 통계적 유의성 검정(Nemenyi, Friedman 등)을 통해 성능 향상이 우연이 아님을 입증한다.

실험에서는 10개의 공개 벤치마크 데이터셋(다양한 차원·클러스터 구조)에 대해 30여 개의 기본 탐지기 풀을 구성하고, k값(이웃 수)과 m값(선택 탐지기 수) 등 주요 파라미터를 교차 검증하였다. 결과는 대부분의 데이터셋에서 AUC·Precision이 기존 SG 방식보다 평균 37% 향상되었으며, 특히 고차원·혼합 분포 데이터에서 현저한 개선을 보였다. 파라미터 민감도 분석에서는 k가 너무 작으면 지역이 과도하게 편향되어 성능이 저하되고, 너무 크면 전역 평균에 수렴해 DCSO의 장점이 사라지는 경향을 확인했다. m값은 13 사이에서 안정적인 성능을 유지했으며, m>3에서는 오히려 노이즈 탐지기가 포함돼 성능이 감소하였다.

이와 같이 DCSO는 비지도 환경에서도 데이터 지역성을 활용한 동적 탐지기 선택·조합을 통해 정적 앙상블의 한계를 보완하고, 모델 해석성과 재현성을 동시에 제공한다. 향후 연구에서는 자동 k‑선정 메커니즘, 온라인 스트리밍 환경 적용, 그리고 탐지기 선택 과정에 사용자 피드백을 반영하는 인터랙티브 프레임워크를 탐색할 계획이다.