PATCH-BASED ANOMALY LOCALIZATION FOR TIME SERIES ANOMALY DETECTION Shinwoo Ham Engineering = 시계열 이상 탐지를 위한 패치 기반 이상 위치 식별

다국어 초록 (Multilingual Abstract)

Accurate detection and localization of anomalies in multivariate time series is essential for maintaining the safety and stability of modern industrial systems. Despite the critical need for timely anomaly detection, most existing methods rely on fixed-size sliding windows, which limit their ability to capture long-range temporal dependencies and cause positional bias—making precise localization challenging. This thesis proposes a novel framework that addresses these limitations through (1) a 2D structural representation that maps the entire multivari- ate time series into an image-like format, enabling convolutional neural net- works (CNNs) to jointly model local and global temporal relationships, and (2) a multi-scale, patch-wise scoring mechanism that evaluates each time point through overlapping receptive fields to produce stable, context-aware anomaly scores. A new padding strategy, Time Series Image Padding (TSIP), is also introduced to preserve temporal continuity and mitigate boundary artifacts during the 2D transformation. The proposed design inherently enhances robustness to sensor noise, as the 2D CNN dilutes transient perturbations while multi-patch aggregation further stabilizes the anomaly scores. Comprehensive experiments on diverse bench- mark datasets show that the proposed approach outperforms recent baselines, achieving state-of-the-art detection accuracy and noise robustness, while also exhibiting promising diagnostic capability. While primarily developed for anomaly detection, the framework also ex- tends naturally to anomaly diagnosis, a critical downstream task. In practical settings, identifying when an abnormal event occurs is only the first step—the ultimate goal is to determine which sensor or channel is responsible for the failure so that operators can take immediate and targeted action. Without any architectural modifications, the model leverages patch-wise evaluations across channels to highlight which sensors contribute most to abnormal behavior, demonstrating strong diagnostic capability and showing that the proposed rep- resentation and scoring mechanisms have substantial potential for channel-level anomaly analysis in real-world applications.

국문 초록 (Abstract)

다변량 시계열에서 이상을 정확하게 탐지하고 위치를 식별하는 것은 현대 산업 시스템의 안전성과 안정성을 유지하는 데 필수적이다. 적시에 이상을 탐지하는 것이 중요한 과제임에도 불구하고, 대부분의 기존 방법은 고정 크기 슬라이딩 윈도우를 사용하여 장기 시계열 의존성을 충분히 반영하지 못하고 위치 편향을 발생시켜 정밀한 이상 위치 식별에 한계가 있다. 본 논문에서는 이러한 한계를 극복하기 위해 (1) 전체 다변량 시계열을 이미지 형태로 변환하여 CNN이 국소적·전역적 시계열 관계를 동시에 모델링할 수 있는 2D 구조적 표현, (2) 각 시점에 대해 겹치는 receptive field를 활용하여 안정적이고 문맥을 고려한 이상 점수를 산출하는 다중 스케일 패치 기반 스코어링 메커니즘을 제안한다. 또한 2D 변환 과정에서 시간적 연속성을 보존하고 경계 인공물을 완화하기 위한 Time Series Image Padding(TSIP) 전략도 도입하였다. 제안된 설계는 2D CNN이 일시적인 잡음을 희석시키는 동시에, 다중 패치 집계를 통해 이상 점수를 안정화시켜 센서 잡음에 대한 강건성을 본질적으로 향상시킨다. 다양한 벤치마크 데이터셋에 대한 종합 실험 결과, 제안된 접근법은 최신 베이스라인을 능가하며, 검출 정확도와 노이즈 강건성에서 최첨단 성능을 달성하는 동시에 유망한 진단 능력을 보여준다. 본 연구는 주로 이상 탐지를 목적으로 개발되었지만, 제안된 프레임워크는 후속 연구 과제인 이상 진단에도 자연스럽게 확장될 수 있다. 실제 환경에서는 이상 발생 시점을 아는 것만으로는 충분하지 않으며, 최종 목표는 어떤 센서나 채널이 문제를 일으켰는지를 파악하여 운영자가 즉각적이고 목표 지향적인 조치를 취할 수 있도록 하는 것이다. 아키텍처를 변경하지 않고도, 모델은 채널별 패치 평가를 활용하여 이상 행동에 가장 기여한 센서를 강조할 수 있으며, 강력한 진단 능력을 보여주고 제안된 표현과 스코어링 메커니즘이 실제 산업 환경에서 채널 수준 이상 분석에도 높은 잠재력을 지님을 입증한다.

목차 (Table of Contents)

• I Introduction 1
• II Background and Related Work 4
• 1 Time Series Anomaly Detection 4
• 2 Existing Methods and Their Limitations 5
• 3 Studies Based on Two-Dimensional Time Series Representations . 6
• IIIMethod 9
• 1 Two-Dimensional Representation of Time Series 9
• 2 CNN-based Patch-level Encoding 12
• 3 Patch-level Anomaly Scoring 13
• 4 Multi-scale Score Integration 14
• IVExperiments 16
• 1 Datasets 16
• 2 Experimental Setting 18
• 2.1 Baselines 18
• 2.2 Evaluation Metrics 18
• 2.3 Implementation Detail 21
• 3 Experiment Results 22
• 3.1 Main Results 22
• 4 Robustness to Anomaly Contamination 24
• 4.1 Ablation Studies 26
• V Time Series Anomaly Diagnosis 27
• 1 Experimental Setting 27
• 1.1 Baselines 27
• 1.2 Evaluation Metrics 28
• 2 Experiment Results 30
• 3 Future Works 31
• VI Conclusion 33
• References 34
• Abstract (in Korean) 38