Hao Wang, Licheng Pan, Zhichao Chen, Xu Chen, Qingyang Dai, Lei Wang, Haoxuan Li, Zhouchen Lin
개요
시간 순서 데이터 예측 모델을 훈련하는 것은 효과적인 학습 목표를 설계하는 데 있어 고유한 과제를 제시합니다. 기존 방법들은 주로 시간적 평균 제곱 오차를 사용하지만, 이는 (1) 레이블 자기 상관으로 인한 레이블 시퀀스 가능성으로부터의 편향, (2) 예측 지평선이 증가함에 따라 증가하는 과도한 작업량으로 인한 최적화의 복잡성이라는 두 가지 중요한 문제점을 가지고 있습니다. 이러한 문제점들을 해결하기 위해, 본 논문에서는 레이블 시퀀스를 차별화된 중요도를 가진 상관관계가 없는 구성 요소로 변환하는 변환 향상 직접 예측(TransDF)을 제안합니다. 모델은 가장 중요한 구성 요소를 정렬하도록 훈련되어 레이블 자기 상관을 효과적으로 완화하고 작업량을 줄입니다. 광범위한 실험을 통해 TransDF가 최첨단 성능을 달성하고 다양한 예측 모델과 호환됨을 보여줍니다. 코드는 https://anonymous.4open.science/r/TransDF-88CF 에서 확인할 수 있습니다.
시사점, 한계점
•
시사점:
◦
레이블 자기 상관 및 과도한 작업량 문제를 효과적으로 해결하는 새로운 시간 순서 데이터 예측 모델 TransDF 제안.
◦
다양한 예측 모델과의 호환성을 통해 범용성 확보.
◦
최첨단 성능 달성.
◦
공개된 코드를 통해 재현성 및 활용성 증대.
•
한계점:
◦
제시된 변환 방법의 일반성 및 다른 유형의 시간 순서 데이터에 대한 적용 가능성에 대한 추가 연구 필요.
