그래프 구조 학습과 그래프 어텐션 네트워크 기반의 다변량 시계열 데이터 이상 탐지

Abstract

산업 규모가 성장함에 따라, 스마트팩토리와 같은 시스템에서 생성 및 수집되는 다변량 시계열 데이터가 증가하고 있다. 이렇게 생성 및 수집된 다변량 시계열 데이터를 분석할 때, 내재되어 있는 이상을 탐지하는 것은 추후 발생할 수 있는 사고를 예방하는데 주요한 역할을 할 수 있다. 하지만 대부분의 경우 이상을 정확히 라벨링 할 수 없으므로 비지도학습 방식을 사용해야 하고, 이 때 정확도를 높이기 위해 시계열 데이터 간의 연관 관계에 기반한 그래프 어텐션 네트워크를 사용하는 모델이 제시되었다. 그래프 어텐션 네트워크를 사용하기 위해서는 그래프 형태의 입력 데이터가 필요하지만, 기존의 방법은 시계열 간의 관계를 고려하지 않은 완전 연결 그래프를 생성하여 사용했다는 한계점이 있었다. 본 논문에서는 그래프 구조 학습과 관련된 다른 인공 신경망 모델을 도입하여 그 한계점을 개선한 새로운 다변량 시계열 데이터 이상 탐지 방법에 대해 제시하며, 제시한 방법에 대해 실제 성능 향상을 확인하였다.