조건부 정규화 흐름의 잠재 공간에서 유도 편향을 활용한 시계열 이상 탐지

초록

본 논문은 시계열 데이터의 이상 탐지를 관측 공간이 아닌 잠재 공간으로 옮겨, 조건부 정규화 흐름(CNF)과 선형‑가우시안 잠재 동역학을 결합한 상태‑공간 모델을 제안한다. 학습 단계에서 잠재 표현이 사전에 정의된 동역학을 따르도록 강제하고, 테스트 시에는 다변량 Kolmogorov‑Smirnov 검정을 이용해 잠재 궤적의 적합도를 평가함으로써 이상 여부를 판단한다. 실험 결과, 관측 공간의 높은 가능도 영역에서도 정확한 이상 탐지가 가능함을 보였다.

상세 분석

이 논문은 기존 딥 생성 모델이 관측 공간에서의 주변밀도만을 최적화함으로써, 구조적 시간적 동역학을 무시하고 OOD 샘플에 높은 가능도를 부여하는 문제점을 지적한다. 이를 해결하기 위해 저자들은 두 가지 핵심 아이디어를 제시한다. 첫째, 관측값 xₜ를 조건부 정규화 흐름 F(·|Wₜ;θ) 를 통해 잠재 변수 zₜ에 매핑하고, 이때 조건 Wₜ는 과거 k 시점의 관측값을 포함한다. 이렇게 함으로써 비선형 변환을 통해 복잡한 시계열 패턴을 잠재 공간에 압축한다. 둘째, 잠재 공간에 명시적인 유도 편향(inductive bias)을 부여한다. 구체적으로 선형‑가우시안 잠재 동역학(LG‑LDM)을 정의하여 μₜ₊₁ = A μₜ + b 와 같은 deterministic한 평균 전이와 Σₜ = I 라는 고정 공분산을 가정한다. 이 동역학은 사전에 정의된 확률분포 p(φ₀) 와 전이 함수 ψ(·;φ) 에 의해 잠재 궤적을 제한한다.

학습 단계에서는 관측‑잠재 매핑 파라미터 θ와 동역학 파라미터 φ 를 동시에 NLL(negative log‑likelihood) 최소화로 최적화한다. 전체 시계열을 순차적으로 처리하거나, 마코프성에 기반한 미니배치 방식으로 시간 복잡도를 조절할 수 있다. 중요한 점은 학습 과정에서 CNF가 잠재 공간을 사전에 정의된 동역학에 맞추도록 강제함으로써, “예상 행동”이 잠재 궤적의 통계적 특성으로 정의된다는 것이다.

이후 테스트 단계에서는 새로운 관측 시퀀스를 동일한 CNF에 통과시켜 잠재 궤적을 얻고, 다변량 Kolmogorov‑Smirnov(MV‑KS) 검정을 적용한다. MV‑KS는 샘플이 사전 정의된 가우시안(또는 변환된) 분포에서 추출되었는지를 비모수적으로 평가한다. 검정 통계량 s 가 임계값 τ 보다 크면 해당 시퀀스는 동역학을 위반한 것으로 간주되어 이상으로 판정한다. 이 접근법은 관측 공간에서 가능도가 높아도 잠재 궤적이 동역학을 위반하면 이상으로 탐지할 수 있어, 기존 NLL 기반 방법의 한계를 극복한다.

또한 저자들은 MV‑KS 통계량 자체를 모델 학습 진단 지표로 활용한다. 학습 데이터에 대한 GOF 테스트 결과가 낮은 s 값을 보이면 모델이 유도 편향을 성공적으로 학습했음을 의미한다. 반대로 높은 s 값은 잠재 표현이 기대 동역학을 따르지 않음을 나타내며, 이는 모델 재학습이나 편향 재설계가 필요함을 시사한다.

실험에서는 합성 데이터와 실제 센서·금융·헬스케어 시계열을 대상으로, 주파수 변동, 진폭 변조, 관측 노이즈 등 다양한 이상 유형을 평가했다. 결과는 제안 방법이 NLL 기반 점수, VAE‑reconstruction, GAN‑based 방법 등에 비해 높은 검출 정확도와 낮은 false‑positive rate을 보였으며, 특히 관측 가능도가 높은 영역에서도 일관된 성능을 유지했다.

요약하면, 이 논문은 (1) 잠재 공간에 구조적 동역학을 강제하는 새로운 상태‑공간 모델, (2) GOF 기반 비모수적 이상 판정 메커니즘, (3) 학습 진단을 위한 통계적 지표라는 세 가지 혁신을 제시한다. 이러한 설계는 딥 생성 모델이 “가능도”에만 의존하는 한계를 넘어, 시간적 일관성을 내재화한 통계적 이상 탐지를 가능하게 한다.