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.

Multi-Modal View Enhanced Large Vision Models for Long-Term Time Series Forecasting

Created by
  • Haebom

저자

ChengAo Shen, Wenchao Yu, Ziming Zhao, Dongjin Song, Wei Cheng, Haifeng Chen, Jingchao Ni

개요

본 논문은 시계열 데이터를 숫자 시퀀스뿐만 아니라 이미지와 텍스트로 변환하여 다중 모달 뷰(MMVs)를 생성하고, 이를 통해 강력한 사전 훈련된 대규모 모델(예: 대규모 비전 모델, LVMs)을 활용하여 장기 시계열 예측(LTSF)을 수행하는 방법을 제시합니다. LVMs를 LTSF에 적용할 때 "예측 기간"에 대한 귀납적 편향이 존재한다는 점을 발견하고, 이를 활용하기 위해 추세-계절 분해와 새로운 역추정 잔차 기반 적응형 분해를 활용하여 MMVs를 통합하는 새로운 분해 기반 다중 모달 뷰 프레임워크인 DMMV를 제안합니다. 다양한 데이터셋에서 14개의 최첨단(SOTA) 모델과 비교 평가한 결과, DMMV는 단일 뷰 및 기존 다중 모달 기준 모델보다 우수한 성능을 보이며, 8개의 벤치마크 데이터셋 중 6개에서 평균 제곱 오차(MSE)가 가장 낮았습니다.

시사점, 한계점

시사점:
시계열 데이터의 다중 모달 표현을 활용하여 장기 시계열 예측 성능을 향상시킬 수 있음을 보여줌.
LVMs의 귀납적 편향을 활용하는 새로운 프레임워크인 DMMV를 제안하고, 그 효과를 실험적으로 검증함.
다양한 데이터셋에서 SOTA 모델들을 상회하는 우수한 예측 성능을 달성함.
한계점:
제안된 DMMV의 성능이 모든 데이터셋에서 일관되게 우수한 것은 아님 (8개 중 6개 데이터셋에서 최고 성능).
DMMV의 적용 가능성과 일반화 성능에 대한 추가적인 연구가 필요함.
특정한 유형의 시계열 데이터에 대해서만 효과적일 가능성이 있음. (데이터셋의 다양성에 대한 추가적인 검토 필요)
👍