본 논문은 시간 정보를 효과적으로 모델링하고 시간 순서대로 발생하는 이벤트를 포함하는 애플리케이션이나 모델에 통합하는 방법을 다룹니다. 기존의 시간 인코딩 방법들은 특정 유도적 편향(예: 삼각함수를 이용한 주기성 모델링)에 의존하여 다양하고 복잡한 실제 세계의 시간 패턴을 처리하는 데 어려움을 겪습니다. 본 논문에서는 학습 가능한 변환 기반 일반화된 시간 인코딩(LeTE)을 제시합니다. 이는 심층 함수 학습 기술을 사용하여 시간 인코딩에서 비선형 변환을 매개변수화하여 다양하고 복잡한 시간적 역동성을 포함한 일반화된 시간 패턴을 모델링할 수 있도록 합니다. LeTE는 기존 방법들을 특수한 경우로 포함하며 다양한 작업에 원활하게 통합될 수 있습니다. 다양한 분야에 걸친 광범위한 실험을 통해 LeTE의 다양성과 효과를 보여줍니다.
시사점, 한계점
•
시사점:
◦
다양하고 복잡한 시간 패턴을 효과적으로 모델링하는 새로운 시간 인코딩 방법 LeTE를 제시합니다.
◦
심층 함수 학습을 통해 비선형 변환을 학습 가능하게 함으로써 기존 방법들의 한계를 극복합니다.
