Core Concepts
본 연구는 시계열 데이터 자동 증강 기법인 TSAA를 제안하여, 장기 시계열 예측 문제에서 성능 향상을 달성하였다.
Abstract
본 연구는 시계열 데이터 자동 증강 기법인 TSAA를 제안한다. TSAA는 두 단계로 구성된다:
초기에 데이터 증강 없이 모델을 부분적으로 학습하여 공유 가중치를 생성한다.
이후 반복적인 과정을 통해 최적의 데이터 증강 정책을 찾고, 이를 활용하여 모델을 fine-tuning한다.
데이터 증강 정책 탐색: Bayesian 최적화를 사용하여 효과적인 증강 정책을 찾는다.
모델 학습: 찾은 증강 정책을 활용하여 모델을 fine-tuning하며, ASHA 기법을 통해 비효율적인 실행을 조기에 중단한다.
제안한 TSAA 기법을 다양한 단일 변량 및 다변량 시계열 예측 벤치마크에 적용한 결과, 기존 강력한 베이스라인 모델들을 대부분 개선하는 성과를 보였다. 특히 장기 예측 설정에서 두드러진 성능 향상을 달성하였다.
Stats
전력 데이터에서 장기 예측 시 MSE가 3.25% 감소하였다.
날씨 데이터에서 장기 예측 시 MSE가 66.67% 감소하였다.
Quotes
"데이터 증강은 신경망의 과적합 문제를 해결하는 데 널리 사용되는 정규화 기법이다."
"자동 데이터 증강은 이미지 분류 작업에서 성공을 거두었지만, 시계열 문제, 특히 장기 예측에 적용된 사례는 상대적으로 적다."