Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting

Created by
  • Haebom

저자

Tianxiang Zhan, Yuanpeng He, Yong Deng, Zhen Li, Wenjie Du, Qingsong Wen

개요

본 논문은 시간 시계열 예측에서 정확성과 효율성을 모두 고려하여 새로운 백본 아키텍처인 시간 증거 융합 네트워크(TEFN)를 제안합니다. TEFN은 증거 이론에 기반한 기본 확률 할당(BPA) 모듈을 도입하여 다변량 시계열 데이터의 채널 및 시간 차원에서 불확실성을 포착합니다. BPA 출력으로부터 두 가지 차원의 정보를 효과적으로 통합하는 새로운 다원 정보 융합 방법을 개발하여 예측 정확도를 향상시킵니다. 실험 결과, TEFN은 최첨단 방법과 비교할 만한 성능을 달성하면서 복잡성과 훈련 시간을 크게 줄였음을 보여줍니다. 또한, TEFN은 하이퍼파라미터 선택 시 오류 변동이 최소화되어 높은 견고성을 보이며, 퍼지 이론에서 파생된 BPA 덕분에 높은 해석성을 제공합니다. 따라서 TEFN은 정확성, 효율성, 안정성 및 해석성을 균형 있게 고려한 시간 시계열 예측을 위한 바람직한 솔루션입니다.

시사점, 한계점

•
시사점:
◦
시간 시계열 예측에서 정확성과 효율성을 동시에 달성하는 새로운 아키텍처 TEFN 제안.
◦
증거 이론 기반의 BPA 모듈을 통해 다변량 시계열 데이터의 불확실성 효과적으로 처리.
◦
최첨단 방법에 필적하는 성능을 훨씬 낮은 복잡도와 훈련 시간으로 달성.
◦
하이퍼파라미터에 대한 높은 견고성과 해석성 확보.
•
한계점:
◦
본 논문에서 제시된 실험 결과의 일반화 가능성에 대한 추가적인 검증 필요.
◦
BPA 모듈의 복잡도가 특정 유형의 시계열 데이터에 따라 성능 저하를 야기할 가능성.
◦
실제 적용 시 BPA 모듈의 계산 비용이 상황에 따라 제한 요소가 될 수 있음.
👍
Made with Slashpage