최근 사물인터넷(IoT)과 같은 기술의 발달로 인해 시계열 데이터 속에 존재하는 이상(Anomaly)을 자동으로 탐지하는 이상탐지(Anomaly detection)에 대한 수요가 증가하고 있다. 이에 다양한 분야에 기반을 둔 이상탐지 기법들이 제안됐다. 통계적공정관리(Statistical process control) 기법인 누적합관리도(Cumulative sum chart)가 그 대표적인 예이다. 최근에는 적대적 생성 신경망(Generative adversarial networks, GAN) 방법의 성공으로 인해 GAN을 활용한 이상탐지 기법들이 많은 주목을 받고 있다. Li et al. (2018)은 GAN 기반 이상탐지 방법이 누적합관리도보다 우수한 이상탐지 성능을 나타낸다고 주장하였다. 그러나 그들의 연구는 제안된 GAN 기반 이상탐지 방법과 누적합관리도의 공정한 비교를 위한 프레임워크가 존재하지 않는다. 이에 본 연구는 다음과 같은 연구를 수행하였다. 첫째, 이상탐지 성능의 비교 프레임워크를 제시하여 GAN 기반 이상탐지 방법들과 누적합관리도의 이상탐지 성능을 비교하였다. 그 결과 누적합관리도가 GAN 기반 이상탐지 방법들의 성능보다 우수하게 나타났다. 이는 선행연구(Li et al., 2018)와는 상반된 결과로 비교 절차에 따라 이상탐지 성능이 달라질 수 있기에 더 많은 후속 연구가 더 필요함을 의미한다. 둘째, 기존 GAN 기반 이상탐지 기법들의 성능 향상을 위한 연구를 수행하였다. 그 결과 역전파(Backpropagation) 단계의 수가 이상탐지 성능에 영향을 미치는 요인임을 밝혀내었다. 역전파 단계의 수는 이상점수를 얻는 과정인 역-사상(Inverse mapping) 절차의 반복회수를 의미한다. 마지막으로 시계열 효과를 제거한 잔차(Residual)를 모니터링하면 이상탐지 성능이 향상됨을 확인하였다.