이상(anomaly)은 드물며, 개발 단계에서는 이상 데이터를 구하기 어려워 어떤 이상 탐지 모델과 설정이 보지 못한 이상에 일반화될지 판단하기 어렵다. 최근 접근법은 이 문제를 의사 이상(pseudo-anomaly)을 생성하고 ROC 곡선 아래 면적(area under the ROC curve, AUC)의 달성 가능 상한(bound)을 이용해 유한한 후보 집합에서 최적 설정을 고르는 방식으로 다룬다. 이와 달리 우리는 AUC 상한을 미분 가능한, 이상 데이터에 의존하지 않는(anomaly-free) 목적 함수로 사용하여 이상 탐지 시스템의 연속 매개변수를 직접 최적화한다. 이 프레임워크를 앙상블 가중치 최적화와 의사 이상 점수에 적응하는 학습 가능한 점수 재조정(score-rescaling) 메커니즘 도입을 통해 보이며, 사전 정의된 후보 집합을 넘어서는 최적화를 가능하게 한다. 여러 데이터셋과 임베딩 모델에 걸친 실험에서 AUC 상한 최적화는 기존 모델 선택 및 개발 집합 기반 매개변수 선택 방식보다 유의미한 성능 향상을 달성한다. 결과는 또한 직접 최적화가 의사 이상 구성 선택에 덜 민감함을 보여준다.
시계열 이상 탐지(TSAD)는 산업 모니터링, 헬스케어, 사이버 보안과 같은 도메인에서 중요하지만, 드물고 이질적인 이상 현상과 레이블된 데이터의 희소성으로 인해 여전히 어려운 과제입니다. 이러한 데이터 부족으로 인해 비지도 학습 접근법이 주류를 이루고 있으나, 기존 방법들은 복잡한 데이터에서 어려움을 겪는 재구성이나 예측에 의존하거나, 도메인 특화 이상 현상 합성과 고정된 거리 메트릭을 요구하는 임베딩 기반 접근법을 사용합니다. 본 연구에서는 수작업 이상 주입(handcrafted anomaly injections)과 도메인 전문성의 필요성을 피하고, 잠재 공간(latent space) 내에서 직접 의사 이상(pseudo-anomalies)을 생성하는 프레임워크인 ASTER를 제안합니다. 잠재 공간 디코더는 트랜스포머 기반 이상 분류기를 학습시키기 위한 맞춤형 의사 이상을 생성하는 한편, 사전 학습된 대규모 언어 모델(LLM)은 해당 공간의 시간적 및 문맥적 표현을 풍부하게 합니다. 세 가지 벤치마크 데이터셋에 대한 실험 결과, ASTER는 최첨단(SOTA) 성능을 달성하였으며 LLM 기반 TSAD의 새로운 표준을 확립했습니다.