트랜스포머-VAE 및 그래디언트 부스팅 하이브리드 모델을 결합한 하이브리드 접근법을 통한 시계열 온도 데이터의 이상 탐지

Anomaly Detection in Time-Series Temperature Data using a Hybrid Transformer-VAE and Gradient Boosting Model

산업 제어 시스템에서 시계열 데이터의 이상 탐지는 필수적이지만, 기존 방법들은 복잡한 시간적 의존성 포착과 모호한 이상 점수 산정 방식으로 인해 성능 한계를 보여왔다. 본 논문은 이러한 문제를 해결하기 위해 새로운 하이브리드 모델 TransBoost-VAE를 제안한다. 이 모델은 트랜스포머 기반 VAE로 정교한 특징을 추출하고, 그래디언트 부스팅 분류기를 결합하여 이상을 강건하게 판별한다. 실제 산업 데이터셋 (HAI 1.0) 기반의 실험에서 TransBoost-VAE는 F1-점수 0.9995, AUC 1.00이라는 성능으로 기존 모델들을 능가함을 입증했다. 본 연구의 핵심 기여는 딥러닝 특징 추출기와 지도학습 분류기를 결합한 하이브리드 접근법의 우수성을 실증하여, 복잡한 산업 시계열 이상 탐지 분야의 새로운 연구 방향을 제시한 데 있다.

While anomaly detection in time-series data is essential for industrial control systems, conventional methods have shown performance limitations in capturing complex temporal dependencies and suffer from ambiguous anomaly scoring. To address these issues, this paper proposes a novel hybrid model, TransBoost-VAE. This model extracts sophisticated features using a Transformer-based VAE and incorporates a Gradient Boosting classifier for robust anomaly detection.In experiments on the real-world HAI 1.0 industrial dataset, TransBoost-VAE demonstrated superior performance, achieving an F1-score of 0.9995 and an AUC of 1.00 to significantly outperform existing models. The core contribution of this work is in proving the superiority of a hybrid approach that combines a deep learning feature extractor with a supervised classifier, presenting a new research direction for anomaly detection in complex industrial time-series data.