다변량 시계열 이상 탐지 평가를 위한 PA%K에서 K 값에 따른 탐지 성능 변화 비교 분석

Abstract

딥러닝 모델을 활용하는 다변량 시계열 이상 탐지 연구는 연속적인 시점 구간으로 발생하는 시계열 이상을 효과적으로 성능 평가에 반영하기 위해, 레이블 보정 방법인 PA(point-adjust) 기반 F1 점수로 탐지 성능을 측정한다. PA%K는 PA 보정을 개선한 방법으로 하이퍼파라미터 K 값을 활용하여 F1 점수가 실제 성능에 비해 과하게 측정되는 현상을 방지한다. 본 논문에서는 서로 다른 3개의 다변량 시계열에 대해 K 값에 따른 PA%K 보정 기반 탐지 성능 변화를 비교 분석한다. 하나의 다변량 시계열에서 학습된 모델을 활용하는 경우 K 값에 따른 성능 변화가 적다고 언급한 기존 논문과는 달리, 이상 구간 크기 분포가 서로 다른 다변량 시계열에 대한 실험 결과를 통해 K 값에 따른 성능 변화가 매우 달라질 수 있음을 보인다.