Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting
Created by
Haebom
저자
Zhining Liu, Ze Yang, Xiao Lin, Ruizhong Qiu, Tianxin Wei, Yada Zhu, Hendrik Hamann, Jingrui He, Hanghang Tong
개요
본 논문은 다양한 시계열 예측 모델들의 강점을 활용하여 예측 정확도를 높이는 새로운 프레임워크인 TimeFuse를 제안합니다. 기존의 단일 모델 기반 접근법과 달리, TimeFuse는 메타 특징을 이용하여 입력 시계열을 특징짓고, 학습 가능한 퓨저(fusor)를 통해 각 입력에 최적의 모델 융합 가중치를 예측합니다. 다양한 데이터셋의 샘플들을 활용하여 퓨저를 학습시킴으로써 다양한 시간적 패턴에 적응하고, 새로운 입력에도 일반화될 수 있도록 설계되었습니다. 실험 결과, TimeFuse는 다양한 단기/장기 예측 작업에서 최첨단 개별 모델들을 능가하는 성능을 보여줍니다.
시사점, 한계점
•
시사점:
◦
다양한 시계열 예측 모델의 장점을 통합하여 예측 성능을 향상시킬 수 있는 새로운 방법론 제시
◦
메타 특징과 학습 가능한 퓨저를 활용한 적응적 모델 융합 전략의 효과 입증
◦
다양한 데이터셋으로부터 학습된 퓨저를 통해 새로운 데이터에도 일반화 가능성 확보
◦
기존 최첨단 모델들을 능가하는 성능 달성
•
한계점:
◦
메타 특징의 선택 및 설계에 대한 추가적인 연구 필요
◦
퓨저의 학습 복잡도 및 계산 비용 고려 필요
◦
특정 유형의 시계열 데이터에 대한 일반화 성능 저하 가능성 존재 (추가적인 실험 및 분석 필요)
