시계열 이상 탐지(TSAD) 분야의 최근 발전은 자기 지도 분류 기반 접근 방식의 효과를 강조해 왔습니다. 이러한 방법들은 정상 훈련 샘플에 변환을 적용하고, 변환 특정 패턴을 인식하도록 분류기를 훈련시켜 분류 오류 증가를 통해 이상을 식별하는 데 도움을 줍니다. 강력한 성능에도 불구하고, 이들 방법은 플래그가 지정된 이상체의 특성에 대한 통찰력을 제한적으로 제공하기 때문에 설명 가능성이 부족하다는 중대한 과제를 안고 있습니다. 이러한 한계를 해결하기 위해, 우리는 자기 지도형 TSAD를 위한 프로토타입 기반의 자기 설명형 프레임워크인 ProtoX-AD를 제안합니다. ProtoX-AD는 해석 가능한 프로토타입과 함께 변환 인지 잠재 표현(transformation-aware latent representations)을 학습하여, 정확한 이상 탐지는 물론 프로토타입 기반 설명을 통해 뚜렷한 이상 패턴의 식별까지 가능하게 합니다. 또한, 변환 설계가 탐지 성능과 설명 가능성에 어떻게 영향을 미치는지 체계적으로 분석할 수 있도록 합니다. 합성 및 실제 데이터셋에 대한 실험 결과는 ProtoX-AD가 블랙박스(black-box) 방식과 비교 가능한 탐지 성능을 달성하는 동시에, 기존의 설명 가능한 기준선(explainable baselines)보다 더 일관되고 의미론적으로 유효한 설명을 제공함을 입증합니다. 저희 코드는 https://github.com/Aitorzan3/ProtoX-AD에서 공개적으로 이용 가능합니다.