다변량 시계열 (multivariate time series)에서의 이상 탐지 (anomaly detection)는 비정상적인 행동이 드물고, 레이블 (label)을 사용할 수 없으며, 탐지 실패 시 발생하는 비용이 매우 높은 다양한 실제 응용 분야에서 매우 중요한 과제입니다. 핵심적인 과제는 편차를 식별할 수 있을 만큼 정밀한 정상성 (normality)의 특성을 학습하는 것입니다. 일반적으로 대조 학습 (contrastive approaches)을 통한 표현 자기지도 학습 (representation self-supervised learning)은 시간적 패치 (temporal patches)를 잠재 공간 (latent space)에 임베딩하여, 정상 데이터가 잘 정의된 영역을 차지하게 함으로써 기하학적 편차를 통해 이상치를 탐지하는 방식으로 이 문제를 해결합니다. 그러나 대조 학습 방식은 쌍 샘플링 휴리스틱 (pair-sampling heuristics)을 통해 이 공간을 간접적으로 형성하므로, 거리 기반 점수 산정 (distance-based scoring)에 필요한 기하학적 구조에 대한 명시적인 제어를 제공하지 못합니다. 이는 정상 표현들이 얼마나 조밀하게 그룹화되는지, 그리고 거리가 방향적으로 의미가 있는지에 대한 문제를 야기합니다. 본 논문에서는 정상성을 임베딩 공간 내의 조밀하고 방향적으로 일관된 영역으로 표현하는 자기지도 이상 탐지 방법론인 VACE (Velocity-Aligned Channel Embeddings)를 제안합니다. 이를 위해 VACE는 속도 일관성 목적 함수 (velocity-consistency objective)를 통해 채널 인식 인코더 (channel-aware encoder)를 학습하며, 부정 샘플 (negatives)이나 합성된 이상치 (synthetic anomalies)를 사용하지 않아 정상 궤적 (normal trajectories)이 국소적으로 매끄럽고 정렬되도록 합니다. 테스트 시에는 마할라노비스 위치 점수 (Mahalanobis positional score)와 속도 뱅크 방향 점수 (velocity-bank directional score)를 곱셈 방식으로 결합하여, 분포를 벗어남과 동시에 동적으로 비전형적인 지점들을 식별합니다. 이러한 단순함에도 불구하고, VACE는 엄격한 평가를 거친 TSB-AD-M 데이터셋에서 최첨단 (state-of-the-art) 성능을 달성하였으며, 훨씬 더 큰 예산으로 학습된 더 복잡한 방법론들을 유의미하게 능가했습니다.