CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching

Anomaly detection in multivariate time series is challenging as heterogeneous subsequence anomalies may occur. Reconstruction-based methods, which focus on learning normal patterns in the frequency domain to detect diverse abnormal subsequences, achieve promising results, while still falling short on capturing fine-grained frequency characteristics and channel correlations. To contend with the limitations, we introduce CATCH, a framework based on frequency patching. We propose to patchify the frequency domain into frequency bands, which enhances its ability to capture fine-grained frequency characteristics. To perceive appropriate channel correlations, we propose a Channel Fusion Module (CFM), which features a patch-wise mask generator and a masked-attention mechanism. Driven by a bi-level multi-objective optimization algorithm, the CFM is encouraged to iteratively discover appropriate patch-wise channel correlations, and to cluster relevant channels while isolating adverse effects from irrelevant channels. Extensive experiments on 10 real-world datasets and 12 synthetic datasets demonstrate that CATCH achieves state-of-the-art performance. We make our code and datasets available at https://github.com/decisionintelligence/CATCH.

한 줄 요약

CATCH는 주파수 패치링과 채널 융합 모듈을 통해 다변량 시계열의 이질적 이상치를 정밀하게 탐지하는 프레임워크이다.

핵심 기여도

주파수 영역을 주파수 밴드로 패치화하여 세부 주파수 특성을 캡처함.
채널 간 상관관계를 적응적으로 탐지하는 Channel Fusion Module (CFM)을 제안함.
이중 레벨 다목적 최적화 알고리즘을 통해 관련 채널 클러스터링과 무관 채널 분리 기능을 구현함.
12개 실제 데이터셋과 12개 합성 데이터셋에서 기존 최고 성능을 달성함.

핵심 아이디어

CATCH는 기존 재구성 기반 이상치 탐지 방법이 주파수 영역의 세부 특성과 채널 상관관계를 부족하게 반영한다는 문제를 해결하기 위해 주파수 패치링과 채널 융합 기법을 결합한 새로운 프레임워크이다. 주파수 영역을 주파수 밴드로 나누어 패치 단위로 처리함으로써, 이전 방법들이 무시했던 고주파 영역의 정보를 정밀하게 모델링할 수 있다. 또한, 채널 간 상관관계는 주파수 밴드마다 달라지므로, 기존의 고정된 채널 전략(CI, CD) 대신, 패치 단위 마스크 생성기와 마스킹 어텐션을 활용한 CFM을 도입하여 주파수 밴드별로 적절한 채널 상관관계를 동적으로 탐지한다. 이는 모델의 표현력과 안정성을 동시에 확보할 수 있다.

기술적 접근법

**Fourier Transformation**: 시간 영역과 주파수 영역 간 변환을 통해 포인트 및 서브시퀀스 이상치를 동시에 탐지.
**Frequency Patching**: 주파수 영역을 주파수 밴드로 나누어 패치 단위로 모델링하여 세부 정보를 캡처.
**Channel Fusion Module (CFM)**: 패치 단위 마스크 생성기와 마스킹 어텐션을 사용하여 주파수 밴드별 채널 상관관계를 탐지.
**Bi-level Multi-objective Optimization**: CFM의 마스크 생성과 모델 학습을 병렬적으로 최적화하여 관련 채널 클러스터링과 무관 채널 분리를 수행.
**Score-based Metric**: ROC-AUC, Affiliated-F1-score를 사용하여 포인트 및 서브시퀀스 이상치를 평가.

주요 결과

**12개 실제 데이터셋 (MSL, SMAP, PSM 등)**과 **12개 합성 데이터셋**에서 기존 최고 성능 달성.
**Affiliated-F1-score**와 **ROC-AUC** 지표에서 기존 SOTA 모델(iTransformer, ModernTCN 등) 대비 평균적으로 +3% 이상 개선.
패치 크기 8, 32일 때 특정 데이터셋(MSL, CICIDS)에서 최적 성능을 보임.
**Score weight**는 0.01~0.1 범위에서 안정적으로 작동함.

의의 및 한계

CATCH는 주파수 영역의 세부 정보와 채널 간 동적 상관관계를 동시에 고려함으로써, 포인트 이상치와 서브시퀀스 이상치를 모두 정밀하게 탐지할 수 있다. 특히, 주파수 패치링과 CFM은 기존 방법들이 무시했던 고주파 영역의 정보와 채널 간 복잡한 상관관계를 효과적으로 모델링한다. 이는 다변량 시계열 이상치 탐지 분야에서 중요한 기술적 발전을 의미한다. 다만, 패치 크기와 마스크 생성기의 하이퍼파라미터 조정이 필요하며, 대규모 데이터셋에서는 메모리 비용이 증가할 수 있다는 한계가 있다.

실용적 활용

CATCH는 금융 사기 탐지, 의료 이상 징후 감지, 사이버 보안 위협 탐지 등 다양한 산업 분야에서 실시간 이상치 탐지에 활용될 수 있다. 특히, 센서 데이터나 IoT 장비에서 생성되는 다변량 시계열 데이터의 이질적 이상치를 정확히 탐지하는 데 유용하다.