시계열 데이터에서의 이상 탐지는 장비 모니터링, 환경 감지 등 다양한 분야에서 필수적이다. 많은 모델들이 이 문제를 해결하기 위해 개발되었지만, 대체로 상당한 계산 자원을 필요로 하며, 해석 가능성이 부족한 경우가 많다. 이러한 문제를 완화하기 위해, 우리는 준지도 학습과 잔차 분산 예측을 조화롭게 결합한 새로운 스택 기반 부스팅 모델을 제안한다. 이 방법에서, 모델의 입력은 재구성 부분과 예측 부분으로 나누어지며, 예측 부분의 분산이 모델의 라벨로 사용된다. 모델 내 각 스택은 오토인코더 블록, 셀프 어텐션 블록 및 LSTM 블록으로 구성되어 있다. 여러 개의 이러한 구성을 쌓아올려 잔차 집적을 통해 모델을 구축한다. 더불어, 우리는 학습 데이터에서 파생된 재구성된 데이터와 분산 간의 관계를 이용해 이상치 점수를 위한 가중치를 계산한다.
우리의 모델은 네 개의 공개 데이터셋에서 테스트한다. 이는 가장 높은 평균 F1 점수인 63.04를 달성하여 대부분의 기준 방법보다 뛰어난 성능을 보여준다. 연구 결과는 이상 징후를 정확하게 감지하는 능력을 입증한다. 특히, 모델에서 학습한 가중치를 면밀히 조사함으로써 다양한 기능의 상대적 중요성을 식별하여 접근 방식에 해석 가능성을 제공할 수 있다. 더욱이, 모델의 예측 능력, 스택 수의 영향, 재구성 부분의 비율 등 모델에 관련한 종합적인 분석을 수행함으로써 그 기능과 효과성에 대한 이해에 기여한다.