Development of Meta Learning Model for Anomaly Detection of Time-series Data

에너지 인프라의 확장에 따라 시계열 데이터 이상 탐지 기술의 중요성이 증가하고 있다. 그러나, 기존의 딥러닝 기반 모델은 대량의 레이블링된 데이터가 필요하며, 새로운 이상 유형 발생 시 데이터 수집과 재학습에 많은 시간과 비용이 소요된다. 본 논문에서는 소량의 예시 데이터만으로 새로운 이상 유형에 빠르게 적응할 수 있는 메타러닝 기반 이상 탐지 모델을 제안한다. 제안 모델은 다중 시간 스케일 특징 추출을 통해 시계열 데이터를 저차원으로 압축하고, 프로토타입 네트워크 기반 Few-Shot 학습을 적용하여 클래스당 3개의 샘플만으로 이상 유형을 학습한다. 실험 결과, 제안 모델이 누출, 야간 사용량 급증, 생활 방식의 변화 등 다양한 이상 유형 분류에서 기존 모델 대비 높은 정확도를 달성하였다.