## Memo ## Memo with LLM ## Abstract オレンジでは、ITシステムの自動監視が現在の課題となっています。ITオペレーションの規模と複雑さが拡大する中、正常な動作と異常な動作を推論するために必要なセンサーの数が増加し、従来の専門家依存型の監視手法は遅延や誤りが発生しやすくなっています。本論文では、逆訓練されたオートエンコーダーを基盤とした「UnSupervised Anomaly Detection for multivariate time series（USAD）」という高速かつ安定した異常検出手法を提案します。そのオートエンコーダーアーキテクチャにより、非監督学習が可能になります。敵対的学習とアーキテクチャの組み合わせにより、異常を隔離しつつ高速なトレーニングを実現します。5つの公開データセットでの実験を通じて、本手法の頑健性、トレーニング速度、高い異常検出性能を検証しました。オレンジの独自データを用いた実現可能性調査により、スケーラビリティ、安定性、頑健性、トレーニング速度、高性能に関するオレンジの要件を検証できました。