Kolmogorov-Arnold Networks (KAN)은 기존 다층 퍼셉트론(MLP)에 비해 성능이 유사하거나 더 우수하며, 강건성이 높은 모델이다.
시계열 데이터의 내재된 진화 패턴을 명시적으로 표현하고 심층적으로 이해하기 위해 상징적 회귀 기술을 활용한다.
유전 알고리즘(GA)과 장단기 메모리 네트워크(LSTM)를 최적화한 시계열 알고리즘을 사용하여 주식 가격을 효과적으로 예측할 수 있다.
순환 신경망의 활성화 계층은 시계열 지연 구조를 잘 학습하지만, 몇 개의 연속적인 계층을 거치면서 이 정보를 점차 잃어버려 큰 지연 구조를 가진 시계열에 대한 예측 품질이 저하된다. 또한 이동 평균 및 이분산 시계열 과정을 적절히 모델링하지 못한다.
본 논문은 장기 다변량 시계열 예측을 위한 Bi-Mamba4TS 모델을 제안한다. Bi-Mamba4TS는 채널 독립적 및 채널 혼합 토큰화 전략을 통합하고, 시계열 데이터를 패치로 나누어 장기 의존성을 더 세부적으로 포착한다. 또한 시계열 데이터의 특성에 따라 최적의 토큰화 전략을 자동으로 선택하는 SRA 결정기를 설계하였다.
시계열 예측에서 Transformer 기반 방법은 위치 인코딩(PE)에 의존하지만, PE에 대한 연구가 부족했다. 이 연구는 PE의 세 가지 흥미로운 특성을 발견했고, 이를 바탕으로 새로운 PE 기법인 T-PE와 V-PE를 제안했다. 또한 이 두 PE를 활용하는 Transformer 기반 이중 분기 프레임워크 T2B-PE를 개발했다.
무감독 대조 학습을 통해 일반적이고 해석 가능한 Shapelet을 추출하고, 이를 활용하여 다양한 시계열 분석 작업을 수행하는 통합 파이프라인을 제안한다.
본 연구는 시계열 이상 탐지를 위한 자기 조정 자기 지도 프레임워크 TSAP를 제안한다. TSAP는 데이터 증강 함수의 이산 및 연속 하이퍼파라미터를 자동으로 조정하여 다양한 유형의 이상을 효과적으로 탐지할 수 있다.
TEMPO는 시계열 데이터의 추세, 계절성, 잔차 성분을 효과적으로 모델링하고 프롬프트 기반 접근법을 통해 다양한 시계열 데이터에 적응할 수 있는 강력한 성능을 보여줍니다.
시계열 패치를 독립적으로 임베딩하는 것이 시계열 표현 학습에 더 우수하다.