본 논문은 시계열 데이터의 동적 특성을 포착하고 미래를 예측하기 위해 혁신 기반 순환 신경망(IRNN)을 제안합니다. IRNN은 순환 신경망(RNN)과 칼만 필터(KF)의 유사성에 착안하여, 칼만 필터의 '혁신' 개념을 RNN에 적용하여 과거 예측 오차를 추가 입력 신호로 활용하여 RNN의 은닉 상태를 업데이트하고 예측 성능을 향상시킵니다. 기존 RNN 학습 알고리즘을 적용할 수 없기 때문에, 입력 업데이트 기반 역전파를 통한 시간(IU-BPTT)이라는 새로운 학습 알고리즘을 제안합니다. 실제 시계열 데이터셋을 이용한 실험 결과, 다양한 RNN에 혁신을 통합함으로써 훈련 비용을 크게 증가시키지 않고 예측 정확도를 현저히 향상시키는 것을 보여줍니다.
