다변량 시계열 이상 탐지 (Multivariate time series anomaly detection, MTSAD)는 산업 모니터링, 사이버 보안 또는 의료와 같은 광범위한 응용 분야에서 매우 중요합니다. 실제 데이터는 종종 희소(sparse)하거나, 불규칙하게 샘플링되거나, 부분적으로 관측되지만, 기존 방법들은 균일하게 샘플링된 시계열을 가정합니다. 우리는 관측된 시계열을 연속 시간 확률 동역학계 (continuous-time stochastic dynamical system)로 투영하는 Latent SDEs 기반의 생성적 접근 방식을 제안합니다. 이 방식은 누락된 관측값과 불규칙한 샘플링을 직접 처리할 수 있을 뿐만 아니라, 많은 실제 사용 사례가 본질적으로 보유하고 있는 가능한 주기적 동작 (cyclic behavior)을 자연스럽게 포착합니다. 6개의 이상 탐지 벤치마크 데이터셋에 대한 실험 결과, 우리가 제안한 방법이 최첨단 (state-of-the-art) 베이스라인 모델들 사이에서 1위를 차지했습니다. 우리는 더 나아가, 테스트된 베이스라인 방법들의 성능이 크게 저하되는 반면, 우리의 방법은 심각한 데이터 희소성 하에서도 견고함(robust)을 유지함을 입증했습니다. 이러한 결과는 특히 실제 환경의 불규칙성이 존재하는 상황에서 Latent SDEs가 다변량 시계열 이상 탐지를 위한 자연스러운 귀납적 편향 (inductive bias)임을 강조합니다.