Detecting Time-Series Data Anomalies with the Residual Wasserstein Time-Series GAN
Aaron Lim, Yejin Ha, Young-Chul Jang, Jae‐Hyung Cho · Journal of the Korea Academia-Industrial cooperation Society · 2025
본 연구는 시계열 데이터의 이상 탐지를 위한 새로운 접근 방식인 Residual Wasserstein Time-Series GAN을 제안한다. 이 모델은 잔차 블록과 Wasserstein 손실 함수를 통합하여 훈련 안정성과 모델 표현력을 향상시켰다. RWTS-GAN의 성능을 평가하기 위해 LSTM Autoencoder와 LSTM Variational Autoencoder를 비교 실험 수행했다. 진촨 니켈 광산의 백필 파이프라인 시스템 모니터링 데이터를 사용하여 실험한 결과, RWTS-GAN은 정밀도 0.95, 재현율 0.94, F1 점수 0.94, ROC AUC 점수 0.99를 기록하며 다른 두 모델보다 우수한 성능을 보였다. 이는 RWTS-GAN이 Wasserstein 손실 함수와 그래디언트 패널티를 통해 학습 안정성을 확보하고, 잔차 블록을 통해 모델의 표현 능력을 향상시켰기 때문으로 분석된다. 본 연구는 RWTS-GAN이 시계열 데이터의 이상 탐지에 효과적인 방법임을 입증하였으며, 제조 현장에서의 설비 이상 탐지 등 다양한 분야에 적용될 수 있는 가능성을 제시하였다. 향후 연구에서는 모델의 오탐률을 줄이기 위한 추가적인 미세 조정과 다양한 산업 분야의 데이터셋에 대한 검증이 필요할 것으로 보인다.