다변량 시계열 (Multivariate Time Series, MTS)에서의 이상 탐지 (Anomaly detection)는 스펙트럼 노이즈 (Spectral noise) 하에서의 동적인 변수 간 의존성 및 특징 얽힘 (Feature entanglement)으로 인해 어려움을 겪으며, 실제 상황에서는 이상 라벨 (Anomaly labels)의 부재로 인해 더욱 복잡해집니다. 기존의 재구성 기반 탐지기 (Reconstruction-based detectors)는 이상치를 정상 패턴만큼 충실하게 복원하는 경향이 있는 반면, 현재 유행하는 그래프 대조 학습 (Graph contrastive methods) 방식은 뷰 (Views) 간의 불변성 (Invariance)을 강제하여 정적인 관계 구조를 가정하는데, 이러한 가정은 실제 시스템의 구조적 드리프트 (Structural drift) 상황에서는 무너집니다.

우리는 구조적 진화 자체를 억제하기보다 학습 신호로 전환하는 비지도 프레임워크인 ContrastAD를 제안합니다. 다각도 임베더 (Multi-Perspective Embedder)는 시간적 (Temporal), 속성적 (Attribute), 구조적 (Structural) 관점에서 입력을 인코딩합니다. 그 후 주파수 인식 어텐션 믹서 (Frequency-Aware Attention Mixer)는 어텐션 수행 전 스펙트럼 Top-K 필터링 (Spectral top-K filtering)을 수행하여 노이즈가 쿼리-키 유사도 (Query-key similarities)로 유출되는 것을 방지합니다. 핵심 구성 요소인 동적 그래프 대조 학습기 (Dynamic Graph Contrastive Learner)는 배치 수준의 DTW (Dynamic Time Warping) 거리로부터 멱법칙 (Power-law)에서 영감을 얻은 희소 그래프 스냅샷 (Sparse graph snapshots)을 구축하며, 가장 이질적인 쌍을 안정적인 앵커 (Stable anchor)와 대조함으로써 엄격한 불변성을 강요하지 않고 잠재 공간 (Latent space)을 정규화합니다.

5개의 실제 벤치마크 데이터셋 전반에 걸쳐, ContrastAD는 5개 데이터셋 모두에서 가장 높은 평균 F1 점수를 기록했으며, 3개 데이터셋(SWaT 93.60, SMD 98.66, PSM 97.79)에서 가장 높은 AUC를 달성했습니다. 또한 SWaT와 PSM에서는 가장 강력한 베이스라인 (Baseline) 대비 통계적으로 유의미한 F1 및 AUC 격차를 보여주었습니다. MSL과 SMAP에서는 AUC 선두 모델보다 0.7점 미만으로 뒤처졌으나, F1에서는 여전히 앞서고 있습니다. 절제 연구 (Ablation studies) 및 민감도 연구 (Sensitivity studies)를 통해 대조 목적 함수 (Contrastive objective)가 소프트 정규화기 (Soft regularizer)로서 가장 잘 작동함을 확인하였으며, 이는 비정상적 동역학 (Non-stationary dynamics) 하에서 엄격한 불변성이 최적이 아니라는 우리의 주장을 뒷받침합니다.