Core Concepts
본 연구는 사이버-물리 시스템의 시간 예측 분석을 위해 전이 학습과 프롬프트 튜닝 기법을 제안한다. 이를 통해 데이터 부족 문제를 해결하고 성능을 향상시킬 수 있다.
Abstract
본 연구는 사이버-물리 시스템의 시간 예측 분석을 위한 PPT(Pretrain, Prompt, and Transfer) 방법을 제안한다.
데이터 처리 모듈은 불확실성 정량화 기법을 사용하여 가장 불확실한 샘플을 선택하고, 멀티헤드 어텐션을 통해 컨텍스트 정보를 보존한다.
디지털 트윈 모듈은 전처리된 데이터를 입력받아 시간 예측 분석을 수행한다. 이 모듈은 트랜스포머, GRU, CNN 레이어로 구성된다.
전이 학습 모듈은 소스 도메인과 타겟 도메인 간의 중간 표현을 정렬하여 지식을 전이한다. 이를 통해 타겟 도메인에 대한 성능을 향상시킬 수 있다.
프롬프트 튜닝 단계에서는 사전 학습된 모델을 타겟 도메인에 빠르게 적응시킨다. 이를 통해 추가적인 성능 향상을 달성할 수 있다.
실험 결과, PPT는 기존 방법 대비 엘리베이터 시스템에서 평균 7.31, 자율주행 시스템에서 평균 12.58의 Huber 손실 감소를 보였다. 또한 전이 학습, 프롬프트 튜닝, 불확실성 정량화 기법이 모두 효과적이라는 것을 확인하였다.
Stats
엘리베이터 시스템의 경우, 최소 5.70의 Huber 손실 감소를 보였다.
자율주행 시스템의 경우, 각각 14.410과 10.75의 Huber 손실 감소를 보였다.
Quotes
"전이 학습은 최소 21.32, 프롬프트 튜닝은 3.14, 불확실성 정량화는 4.08의 Huber 손실 감소를 가져왔다."