금일 세미나는 Time series anomaly detection 을 주제로 AER: Auto-Encoder with Regression for Time Series Anomaly Detection, TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis 논문을 다루었습니다. 우선 Prediction loss 와 reconstruction loss 를 통한 시계열 이상치 탐지의 특징이 다르다 라는 것은 예전부터 느껴왔었는데, 이러한 점을 시계열 이상치의 특징에 따라 잘 정리되어 설명해주었습니다. 결국 모델에서 forecasting 을 하기 위해서는 global 한 특징을 잘 포착하고, 이러한 부분이 나타나지 않는 것을 이상치로 판단해야 하는데, frequency domain 과 잘 연결되는 부분이였습니다. 이외에도 augmentation 단계에서 frequency domain 에서 영향력이 큰 주기의 값을 조금 바꾸어서 시계열 데이터를 생성하는 것은 간단하지만 직관적인 아이디어였고, 즉 변동성에 대한 부분의 특징을 더 잘 학습하고 global 한 패턴을 잘 파악하기 위함이 아닌가 생각했습니다.
위 내용들이 Neurips 에서 데이터셋 워크숍에서 논문으로 선정 되었던 것을 본적 있는데, 논문으로 정리해서 결과까지 나오는 것을 볼 수 있어 연구의 흐름을 잘 따라가야 함을 느낍니다.

이번 세미나는 Time series anomaly detection with AER & TFAD을 주제로 총 2회에 걸쳐 진행되었습니다. 특히 Time series anomaly detection의 pipeline을 하나씩 살펴보며 각 단계에서 수행될 수 있는 component들을 자세히 설명해주셔서 개념을 다시한번 정리할 수 있었습니다. 개인적으로는 다른 도메인의 anomaly detection 연구를 진행하면서 구축했던 파이프라인과 비교하며 들을 수 있어 유익했고, Anomaly score를 구하고 모델을 평가하는 방법이 모델별로 상이하기 때문에 "이상치를 잘 판별했다는 평가지표를 무엇으로 선택할것인지" 고찰할 수 있었습니다. 다만 TFAD에서 normal augmentation을 수행한 후 다른 모델들과 공정하게 비교할 수 있는지 의문이 들었습니다. normal data augmentation을 진행했던 CutPaste(imageAD논문)의 경우 augmentation의 유무를 실험하고 추가적으로 t-SNE visualization을 통해 model의 representation을 함께 시각화 하여 abnormal과 augmentated normal을 비교했습니다. 비교실험 또한 augmentation을 수행한 연구를 포함했기에 TFAD도 비슷한 흐름으로 논문이 구성되었으면 좋지 않았을까 아쉬움이 남았습니다. 세미나에서도 실험에 대한 발표자분의 견해를 전해들을 수 있어 좋았습니다. 발표 감사합니다 !

이번 세미나는 시계열 데이터를 대상으로 한 이상치탐지 과업에 대한 두 가지 논문이 소개 되었습니다. 더불어 시계열 데이터를 다룸에 있어 전반적인 과정도 함께 소개해주셨습니다. 모든 과정을 전처리, 모델링, 후처리로 구분 지을 수 있지만 각각의 과정 내 상당히 많은 세부 과정이 존재하는 점이 놀랐습니다. 그 중 후처리 과정에서 Dynamic Time Warping 방법론은 최적화이론에서 다루는 방법론과 결이 비슷한 것 같다는 느낌을 받았습니다. 첫번째로 소개된 AER은 예측 기반의 방법론의 장점인 각 시점별 별 이상치를 잘 탐지한다는 장점과 재구축 기반의 방법론의 장점은 특정한 구간, 문맥속에서의 이상치를 잘 탐지하는 장점을 융합하는 것을 목적으로 한 방법론입니다. 두번째로 소개된 방법론인 TFAD는 시계열 데이터의 특성인 추세, 계절성을 확인하기 위한 시계열 분해를(Time Series Decomposition) 바탕으로 Time domain과 Frequency domain 의 모듈을 병렬적으로 활용해 이상치 점수를 산출하는 방식을 보여주고 있습니다. 논문에서 제시한 전체 구조의 그림만 보아서는 굉장히 복잡해 보이는데 어떻게 이러한 구조를 생각해냈을지 대단하게 느껴졌습니다. 발표자분께서 너무나 자세하고 상세히 설명해주신 덕분에 해당 자료를 시계열데이터 분석의 기본 내용이 담긴 교과서와 같이 사용할 예정입니다. 유익한 발표 잘 들었습니다. 감사합니다.

이번 세미나는 시계열 데이터를 기반으로 하는 데이터에 대한 이상치 탐지를 주제로 세미나를 진행해주셨습니다. 시계열 데이터 이상치 탐지에 있어 여러 가지 혼동되는 개념들이 있었는데 이번 세미나를 통해서 그러한 부분들을 잘 정리할 수 있어서 좋았습니다. 특히 이번에 소개해주신 논문에서 reconstruction과 prediction을 동시에 학습하여 시계열 데이터에 대한 이상치 탐지를 진행하는 모델에 대해 소개해주셨는데, 단순 reconstruction만을 통해서 학습하는 것 보다 prediction까지 학습하도록 하는 것이 딥러닝 모델이 시계열 데이터의 내재적인 특성을 더 잘 학습할 수 있다는 말에 공감하였습니다. 두 방법론을 나누어서 생각했는데 한 가지 모델이 두 가지 task를 동시에 수행하도록 하는 것이 더 좋은 것 같습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 시계열 이상탐지 분야의 두 방법론 AER과 TFAD를 소개해 주셨습니다. 우선 AER의 경우는 일반적으로 별도의 방법론으로 구분되는 Prediction-based, Reconstruction-based Anomaly detection을 한번에 활용해 기억에 남는 연구입니다. TS window에 대해서는 Reconstruction을 수행하고 해당 window의 앞뒤로는 Prediction을 수행한 것으로, 방법론 자체는 둘을 함께 사용했다는 이야기를 듣자마자 바로 논문과 비슷한 아이디어가 떠올랐을 만큼 간단했습니다. 언제나 최초로 구상을 하는 것이 어려운 것인데, 논문에서는 TS anomaly의 범주에 따라 Prediction-based, Reconstruction-based 방법론의 장담점을 철저히 분석했기 때문에 두 접근의 장점을 모두 활용할 수 있는 AER 구조를 떠올릴 수 있었다고 생각합니다. 항상 느끼는 것이지만 새로운 연구를 위해서는 기존의 연구들에 대한 깊은 이해가 반드시 선행되어야 한다는 것을 다시 느꼈습니다. TFAD는 TS 데이터를 Time domain과 frequency domain에서 분석할 때, 각각이 anomaly 종류에 따라 다른 탐지 성능을 보인다는 것을 보이고, 두 domain의 장점을 모두 챙기기 위해 Time domain analysis branch와 Frequency domain analysis branch를 통합한 방법론입니다. 우리가 특정한 task를 공부할때면, 해당 task를 해결하기 위한 접근 법을 분류하고 각각의 장단점을 공부하곤 하는데, 이번 세미나에서처럼 기존 분류에 매몰되지 말고, 혹시 함께 활용이 가능한 접근들은 없는지 살펴보면 좋을 것 같습니다. TSAD 전반을 한번에 훑어 주셔서 더 이해하기 좋았습니다. 좋은 발표 감사합니다.

이번 세미나는 시계열 데이터를 대상으로 이상치 탐지 태스크를 수행하는 두 방법론을 중심으로 진행되었습니다. 첫번째 방법론인 “AER: Auto-Encoder with Regression for Time Series Anomaly Detection”은 기존의 이상치 탐지 방법론이 Prediction과 Reconstruction으로 구분되어 있다는 한계점을 지적하면서, 두 방법론을 한번에 학습하여 point anomaly와 context, collective anomaly를 모두 잘 탐지할 수 있는 방법론을 제안하고 있습니다. 특히 인상적이었던 점은, Prediction 이상치 탐지는 실제로는 예측값을 사용하더라도, 미래 시점에 대한 예측이 아니기 때문에, window 양 쪽에 대한 prediction을 이용한다는 점이었습니다. 또한, 후처리를 통한 최종 Anomaly Score 산출을 위해 다양한 조합을 실험하여, 목적으로 삼는 Anomaly 대상에 따라 다른 이상치 함수 조합이 가능함을 보이고 있습니다. 두번째 논문은 TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis으로 시계열 데이터는 Trend와 Residual로 분해되고, 또한 Frequency와 Time 도메인으로 분해될 수 있다는 점을 이용하여, 총 네가지 조합의 데이터 분해를 통해 모델링하고, Full Window와 Context Window 간 representation을 반영하여 Anomaly Score를 산출하고 있습니다. 단순한 모델 구조를 사용하면서도 기존의 복잡한 모델 구조를 가지는 방법론보다 좋은 성능을 모습을 보이면서, 시계열 도메인에서 중요한 점은 데이터를 분해하여 사용하는 방법론임을 강조하는 논문이었습니다. 시계열 도메인 특유의 복잡한 데이터 특성이 모델링에 큰 어려움으로 작용하는데, 오늘 소개해주신 두 논문 모두 이러한 도메인 특성을 영리하게 반영한 방법론이었습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 AutoEncoder와 Regression을 통해 Anoamlies를 detection 하는 AER 그리고 Time domain과 Frequencey domain을 통합하여 탐지 성능을 향상시키는 TFAD에 대해 소개 해주셨습니다. 그 중 TFAD논문에서는 point-wise anomaly와 pattern-wise anomaly가 time 또는 frequency domain에서만 anomaly detection 수행할 경우 탐지하기 어렵다는 한계를 지적하며 방법론을 제시하고 있습니다. 이전에도 FFT를 통해 input 을 frequency domain으로 변환한 뒤 사용하는 경우를 보았지만 해당 논문에서는 시계열 데이터의 특성을 잘 반영하기 위해 잘 설계했다라는 느낌을 받았습니다. 단순히 FFT를 통해 frequency를 얻는 것 뿐만 아니라 데이터의 Trend, Residual을 반영하기 위해 decomposition을 수행하며, Time domain에서는 seasonality anomaly 보다는 point anomaly를 탐지하기 쉽다라는 점, Frequency domain에서는 point anomaly 보다 seasonality anomaly를 탐지하기 쉽다라는 점에 착안하여 이에 맞춰 모델 구조를 설계했다 라는 느낌을 받을 수 있었습니다. 그리고 탐지 성능 metric으로 쓰이는 point adjusted F1-Score에 대한 논문 그리고 발표자 분의 견해를 들으며 metric이 해당 모델의 실질적인 성능을 대변하는지 다시 생각해 볼 필요가 있다라는 생각이 들었으며, Image Anomaly Detection에서도 AUROC, AUPRO가 가장 많이 사용되고 있는데, 이 역시도 과연 해당 모델의 성능을 잘 대변하고 있는 것인가 라는 생각을 다시 한번 해볼 필요가 있다 생각 하였습니다. 좋은 발표 감사합니다.

이번 세미나에서는 AER: Auto-Encoder with Regression for Time Series Anomaly Detection 라는 논문과 TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis 라는 두 가지 논문을 다루었습니다. 먼저 AER 논문에서는 prediction-based 모델과 reconstruction-based 모델의 장단점을 실험을 통해 비교합니다. Prediction-based 모델은 contextual anomaly를 잘 탐지하지 못하고 초기 anomaly를 잘 탐지하지 못한다는 단점이 있지만 point anomaly의 경우는 탐지 성능이 우수하다는 장점이 있습니다. 반면 reconstruction-based 모델은 point anomaly를 잘 탐지하지 못하지만 context anomaly의 탐지 성능이 우수하다는 장점이 있습니다. 그래서 AER은 prediction-based 모델과 anomaly-based 모델을 결합하여 point와 contextual anomaly를 모두 잘 탐지하는 모델 구조를 제안합니다. Prediction-based anomaly score와 reconstruction-based anomaly score를 결합하여 사용하는 아주 단순한 구조를 보이지만 우수한 성능을 실험으로 입증한 것이 인상적이었습니다. 다음으로 AER과 비슷하게 TFAD 모델은 time과 frequency domain만을 각각 사용했을 때의 한계를 지적하고 time domain의 point anomaly에서의 강점과 frequency domain에서 seasonality anomaly의 강점을 언급하며 이를 모두 사용한 모델 구조를 통해 탐지 성능을 향상시키고자 하였습니다. Decomposition 모듈을 neural representation network와 결합하는 단순한 구조이며 univariate와 multivariate 모두에서 더 높은 성능과 낮은 분산을 보인 것이 인상적이었습니다. 발표 자료가 굉장히 자세히 구성되어 있고 background 설명도 아주 자세해서 이해가 쉬웠습니다. 좋은 발표 감사합니다.

이번 세미나에서는 Time series anomaly detection with AER & TFAD를 주제로 총 2개의 논문을 다루어 주셨습니다. 전체적인 시계열 이상치 탐지의 파이프라인은 전처리, 모델링, 후처리와 같이 크게 3가지의 단계로 이루어져 있습니다. 우선 본 발표에 앞서 prediction에 기반한 방법론들과 reconstruction에 기반한 방법론들을 잘 정리해 주셔서 추후 발표를 이해하는데 많은 도움이 되었습니다. 전자의 방법 이용시 point anomaly를 잘 탐지할 수 있으며, 후자의 방법 이용시에는 contextual, collective anomaly를 잘 탐지할 수 있다는 특징이 있습니다. 첫번째 논문인 AER(Auto-encoder with Regression)에서는 모델 자체의 구축보다는 후처리를 중점적으로 다루는 AER을 소개하고 있습니다. 해당 방법론에서 후처리에는 smoothing 함수를 이용하고 있으며, 모델 구조의 경우에는 LSTM-AE와 LSTM-DT의 아이디어를 기반으로 하고 있습니다. 또한 단순한 score가 아닌 combination score를 이용하여 더 좋은 성능을 산출해내고 있습니다. 두번째 논문에서는 decomposition module과 neural representation network를 결합한 TFAD를 소개해 주셨습니다. TFAD에서는 크게 time domain analysis branch와 frequency domain analysis branch, 총 2개의 branch를 이용하고 있는데 해당 branch들을 이용하여 각 window에 대한 time domain representation과 frequency domain representation을 학습하게 됩니다. TFAD에서는 데이터에 augmentation을 적용하고 있는데, 크게 full window와 context window 2가지를 이용하여 anomaly score를 산출하고 있는 방법론을 이용하게 됩니다. 총 2회차에 걸쳐 세미나를 진행해 주셨는데 깔끔한 자료와 발표가 인상 깊었습니다. 좋은 발표 감사합니다!

금일 세미나는 "Time series anomaly detection with AER & TFAD"라는 주제로 진행되었습니다. 본 발표에서는 2개의 time series anomaly detection 논문이 소개되었습니다. 개인적으로 두 모델 중 prediction 기반 방법론과 reconstruction 기반 방법론의 장점을 융합한 AER(Auto-encoder with Regression)이 흥미로웠습니다. AER은 prediction 기반의 이상치 탐지 방법론은 point anomaly를 잘 탐지하고, reconstruction 기반 방법론은 contextual anomaly와 collective anomaly를 잘 탐지한다는 점을 파악하고 해당 사실을 기반으로 두 방법의 장점을 융합하여 모든 종류의 이상치를 탐지할 수 있는 방법을 제안하였습니다. AER은 reconstruction과 prediction을 융합하기 위하여 one-step reverse prediction, reconstruction, one-step ahead prediction output을 통합하여 최종 output을 도출하였는데, 해당 방법이 직관적이라는 생각이 들었지만 한편으로는 reconstruction output에 대한 시간 길이가 prediction output 보다 매우 길기 때문에 두 방법론이 적절하게 융합되었는가에 대한 의문점이 있었습니다. 하지만 두 종류의 방법론을 잘 섞기 위해 one-step ahead prediction output의 첫 시점에 대한 결과 값은 사용하지 않은 점 등의 요소들에서는 연구의 디테일한 점들이 느껴졌습니다. 연구를 수행할수록 연구의 아이디어를 풀어가는 흐름이나 디테일한 실험 요소들을 잘 설정하는 것이 중요하면서도 어렵다는 생각이 많이 드는데 이러한 점들을 참고할만한 좋은 논문이었다고 생각합니다. 좋은 발표 감사합니다.

본 세미나에서는 Time series anomaly detection 방법론인 AER, TFAD에 대한 리뷰를 진행하였습니다. AER의 경우 Auto-Encoder with Regression의 약자로 Prediction, reconstruction-based를 융합한 아키텍처입니다. Prediction-based model의 우수한 point anomaly 탐지 능력과 reconstruction-based model의 우수한 contextual, collective anomaly 탐지 능력을 담기 위해 해당 구조를 제안하였습니다. 구체적으로 방법론을 설명하면 prediction-based 방법론인 LSTM-AE와 reconstruction-based 방법론인 LSTM-DT를 융합하여 AER을 구성하였습니다. 사실 굉장히 단순한 아이디어지만 성능이 개선되는 놀라운 결과를 보여주었습니다. 두번째 방법론인 TFAD의 경우 Time domain analysis branch와 Frequency domain analysis branch를 통합하여 시간 정보를 식별하고 탐지 성능을 향상시키고자 제안된 방법론 입니다. Input time series를 trend, residual로 분해하고 full window와 context window의 비교를 통해 anomaly를 detect하는 방식으로 학습이 진행됩니다. 한 가지 인상적이었던 부분은 일반적인 anomaly detection 방법론들과는 다르게 anomaly data도 학습에 사용한다는 부분이었습니다. TFAD는 결국 time series data를 분해할 수 있는 만큼 분해하고 이를 다시 통합하는 과정을 통해 성능 향상을 기록하였습니다. 한 가지 의문인 점은 발표자님께서도 언급하셨듯이 인위적으로 생성한 anomaly data를 학습에 사용하였는데 이것이 성능 향상에 어떻게 영향을 미쳤는지 입니다. 해당 부분에 대한 좀 더 자세한 설명이 있으면 더 좋았을듯 합니다. 2번의 발표를 통해 Time series anomaly detection에 대한 흐름과 상세한 설명을 해주셔서 유익했습니다. 좋은 발표 감사합니다.

이번 세미나는 Time series anomaly detection with AER & TFAD 라는 주제를 바탕으로 진행되었으며, 저는 그 중 두 번째로 발표해주신 논문인 “TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis” 에 큰 흥미를 느꼈습니다. 해당 논문을 이해하기 위해서는 먼저 Fourier transform에 대한 이해가 선행되어야 합니다. 먼저 Fourier series란 같은 형태를 반복하는 주기를 가지는 파동은 아무리 복잡한 형태를 가져도 단순한 파동들의 결합으로 이루어진다는 Fourier 발견으로부터 파생되었습니다. 이 가정에 따르면 아무리 복잡한 주기함수라도 임의의 계수를 가지는 cos과 sin의 결합으로 간단히 이루어질 수 있는데, 이때 cos과 sin의 계수가 바로 우리가 알고 싶은 것이라고 볼 수 있겠습니다. 최종적으로 Fourier transform을 통하여 입력 함수를 받아 이를 다양한 주파수를 갖는 주기 함수(cos, sin)의 합으로 분해되어 표현할 수 있게 됩니다. TFAD 모델의 특징으로는 먼저 Data augmentation이 존재합니다. 이때, Normal data만을 augmentation하는 것이 아닌, Anomaly data 역시 Augmentation을 진행해주는데, 이를 통하여 모델의 Robustness를 얻을 수 있다고 말하고 있습니다. 모델에 Input data가 들어가기 전, 먼저 Hodrick-prescott (HP) filter를 통하여 하나의 Input data를 Trend data와 Residual data로 Decomposition해주게 됩니다. 이후, 각 항목들을 Full window와 그보다는 좀 더 작은 context window로 나눈 후, 이렇게 나온 총 4개의 항목들에 대하여 FFT를 적용하여 Time domain에서의 정보와 Frequency domain에서의 정보를 각각 구합니다. 이후에는 해당 부분에 맞는 Representation을 학습하여, 최종적으로 Full window와 Context window로 부터 도출된 Representation 끼리의 Cosine distance를 산출하여 Anomaly score로 사용하고 있었습니다. 매우 복잡한 방법이지만, Time-series data가 가지는 데이터의 특성을 모두 반영하고자 다양한 방법들을 제시하는 것이 매우 인상적이었으며, 발표자분이 모델에 대해 하나하나 자세하게 설명해주셔서 이해가 쉬웠던 것 같습니다. 좋은 발표 정말 감사드립니다.

이번 세미나에서는 Time Series Anomaly Detection with AER&TFAD라는 주제로 두 개의 연구를 2회에 나누어 소개해 주셨습니다. 첫 번째 연구인 AER:Auto-Encoder with Regression for Time Series Anomaly Detection는 기존 Time Series Anomaly Detection 관련 방법론 중 Prediction-based 방법론은 Point Anomaly를 잘 탐지한다는 장점과 Reconstruction-based 방법론은 Contextual, Collective Anomaly를 잘 탐지한다는 장점을 동시에 활용해보자는 것이 Motivation이었습니다. 이를 위해 기존 연구에서 제안되었던 구조인 LSTM_AE와 LSTM-DT의 아이디어를 차용하여 Prediction-based Anomaly Score와 Reconstruction-based Anomaly Score를 동시에 생성하는 방법을 제안했습니다. 해당 방법론은 새로운 모델 구조를 제안하기 보다는 후처리 과정에 중점을 둔 방법론이었다는 점이 참신하게 느껴졌습니다. 그리고 개인적으로 발표를 들으면서 좋았던 점은 본 방법론을 소개해 주시기 이전에 Time Series Anomaly Detection에 대한 개괄적인 설명을 해주신 것이었습니다. 해당 설명 덕분에 비록 Time Series에 관한 배경 지식이 부족하더라도 본 방법론을 이해하기에 큰 어려움은 없었습니다. 두 번째 세미나 발표 당일에는 휴가라 듣지 못해서 아쉬움이 컸습니다. 발표 자료가 항상 잘 구성되어 있어 발표 준비를 할 때 많은 영감을 받습니다. 좋은 발표 감사드립니다.

이번 세미나는 시계열 이상치 탐지를 main topic으로 총 2가지 논문을 소개해주셨습니다. 본격적인 논문 소개에 앞서 시계열 이상치 탐지 전반에 관해 개념을 설명해주셔서 세미나 발표를 따라가는데 큰 도움이 되었습니다. 소개해주신 첫번째 논문은 AER: Auto-Encoder with Regression for Time Series Anomaly Detection으로 예측과 재구축 기반의 구조를 융합한 AER 구조를 제안합니다. Smoothing function에서 생성된 시퀀스의 시작 부분에서 발생하는 false positive를 줄이기 위해 anomaly score 자체를 마스킹하는 기법을 제안하고 있습니다. 또한, 예측 기반 anomaly score를 정방향, 역방향으로 결합한 bi-directional 지표를 제안하였습니다. 두번째 논문 TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis는 Time과 Frequency의 domain analysis branch를 통합하여 시간 정보를 식별하고 탐지 성능을 높였습니다. Decomposition module을 보다 간결한 neural representation 구조와 결합하였으며 정상 데이터 외에도 비정상 데이터에 대해 augmentation을 수행하는 다소 독특한 기법을 활용하고 있습니다. 금번 세미나를 통해 시계열 이상치 탐지 task에 더욱 가까워진 것 같습니다. 유익한 발표 진행해주셔서 감사합니다.

이번 세미나는 시계열 데이터에서 정상 패턴과는 다른 이상치를 탐지하는 Time series anomaly detection을 주제로 한 2가지 논문으로 진행되었습니다. 시계열 이상치 탐지 분야에서는 point anomaly를 잘 탐지하는 prediction-based 방법과 contextual, collective anomaly를 잘 탐지하는 reconstruction-based 방법이 있는데 IEEE Bigdata 2022에 게재된 첫 번째 논문 AER: Auto-Encoder with Regression for Time Series Anomaly Detection은 각 방법의 장점을 살릴 수 있도록 2가지 방법을 융합하는 방법을 제안했습니다. 세미나에서 설명해주신 것처럼 해당 논문은 모델 구축보다는 post-processing에 중점을 둔 논문인데 그 중에서도 Exponential weighted moving average smoothing function에서 생성된 false-positive를 완화하기 위해 anomaly score에서 시작부터 m개의 index를 minimum anomaly score로 마스킹하는 방식이 신선했던 것 같습니다. 두 번째 논문은 개인 휴가 일정과 겹쳐 아쉽게 듣지 못했지만 첫 번째 세미나를 통해 시계열 이상치 탐지에 대한 전반적인 흐름과 서로 다른 방법을 융합하는 방식에 대해 생각해볼 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나에선 Time series anomaly detection을 주제로 AER: Auto-Encoder with Regression for Time Series Anomaly Detection, TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis 의 두가지 연구가 소개되었습니다. AER은 anomaly detection 방식으로 주로 사용되는 prediction과 reconstruction 기반 방식을 융합한 AutoEncoder with Regression 구조를 제안합니다. 제안된 구조는 prediction과 reconstruction 기반 방식이 각각 point anomaly, contextual anomaly를 잘 탐지한다는 장점을 잘 활용한 것으로 생각됩니다. TFAD는 Time domain과 Frequency domain 을 통합한 branch를 사용하여 시간 정보에 대한 구분 및 탐지 성능을 높였다는 데에 의의가 있습니다. 또한, Time series data를 처리할 때 복잡한 형태의 Decomposition module을 비교적 간단한 neural network와 결합한 부분이 인상적이었습니다. 하지만 Data Augmentation을 abnormal data에도 활용한 점은 학습에 비정상 데이터를 사용하지 않는 일반적인 anomaly detection 연구에 사용되기에는 한계가 있지 않을까 하는 생각이 들었습니다. 두 번에 걸쳐 유익한 세미나 진행해주셔서 감사합니다.

금일 세미나는 time-series anomaly detection 분야의 두 논문에 대하여 두 번의 세미나 시간을 통해 설명해 주셨습니다. 첫 번째 세미나에는 당시 휴가 일정이라 듣지 못하였지만 두 번째 시간에 들어서 많을 것을 배울 수 있었습니다. 두 번째로 소개해 주셨던 논문인 TFAD: A Decomposition Time Series Anomaly Detection Architecture with Frequency Analysis에서는 time-series에서의 anomaly 유형을 point-wise anomaly와 pattern-wise anomaly로 구분하여 두 가지를 모두 고려하기 위해서는 time- 그리고 frequency domain을 함께 적용해야한다는 것을 언급했습니다. 기존 forecasting 분야에서 fourier transform을 적용하는 경우를 보았지만 anomaly detection 분야에서 적용하는 모델과 적용해야하는 이유에 대하여 잘 설명하여 인상깊게 들었습니다. 또한 논문에 대한 설명 이외에 time-series anomaly detection에서의 평가 지표인 point adjusted F1-score에 대한 설명과 문제점을 알려주셔서 현재 제안된 모델들의 공정성이나 개선 방향이 필요하다는 것을 배우게 되었습니다. 논문에 대한 소개 뿐만 아니라 time-series anomaly detection의 전반적인 내용에 대한 소개라 재밌게 들었습니다. 좋은 발표 감사합니다.