기존 보안 영상 이해 시스템은 사건 유형이 고정돼 있다는 폐쇄형 세계 가정에 기반하지만, 실제 보안 사건은 롱테일 분포를 따르고 새로운 유형이 계속 등장하며 샘플 수도 적다. 이 논문은 이런 문제를 '영상 속 희소 롱테일 보안 사건에 대한 평생 진화형 과제(L²-SCE)'로 정식화하고, 소수 샘플만으로 새로운 사건을 잊지 않고 지속적으로 분류·시간적 위치추정하는 EvoSherlock을 제안한다. 에이전트형 컨트롤러가 자기반성적 폐루프 제어로 조율하는 인과 기반 접근으로, 사건 내 데이터 희소성과 사건 간 특징 혼선이라는 두 핵심 난제를 각각 인과적 영상 생성 모듈과 인과적 분리·정렬 모듈로 해결한다. 실제 환경을 모사한 벤치마크 실험에서 기존 최신 기법들을 능가하는 성능을 확인했다.

• •보안 영상 이해를 위해 새로운 사건 유형이 지속 등장하는 '평생 진화형' 과제(L²-SCE) 정식화
• •사건 내 데이터 희소성과 사건 간 특징 혼선이라는 두 난제를 인과 기반 모듈로 해결
• •자기반성적 폐루프 제어를 수행하는 에이전트형 컨트롤러로 전 과정 조율
• •실제 환경을 모사한 벤치마크에서 기존 최신 기법 대비 우수한 성능 입증