AR-Sieve 부트스트랩을 이용한 랜덤 포레스트와 rangerts 시계열 예측과의 시뮬레이션 기반 비교
AR-Sieve 부트스트랩을 이용한 랜덤 포레스트 모델이 기존 부트스트랩 방법들에 비해 더 높은 예측 정확도를 보인다.
시계열 예측을 위한 시간-변수 주의 메커니즘: TiVaT
TiVaT는 시간과 변수 의존성을 동시에 고려하는 새로운 아키텍처로, 복잡한 시간-변수 상호작용을 효과적으로 모델링할 수 있다.
시간에 따른 회전 코퓰라 혼합을 통한 이변량 시간 의존성 모델링
본 연구에서는 4가지 방향으로 회전된 Clayton 코퓰라의 혼합을 통해 다양한 형태의 꼬리 의존성을 포착할 수 있는 유연한 모델을 제안한다. 또한 혼합 가중치와 연관 매개변수가 시간에 따라 변화하는 동적 모델을 개발하여 시간에 따른 의존성 구조의 변화를 모델링한다.
실제 데이터와 밀접하게 부합하는 NoGeAR(1) 모델의 일관된 예측
NoGeAR(1) 모델을 사용하여 과분산 시계열 데이터에 대한 일관된 예측을 제공하는 방법을 제안한다.
시계열 예측을 위한 확장 법칙
시계열 예측에서는 데이터 세트 크기와 모델 복잡성 외에도 시계열 데이터의 세부 정보 수준(look-back 기간)이 성능에 중요한 영향을 미친다. 이 이론적 프레임워크는 이러한 요인들의 상호작용을 설명하고, 최적의 look-back 기간을 식별한다.
장기 시계열 예측에 효과적인 RNN의 새로운 후계자
병렬 게이트 네트워크(PGN)는 정보 전파 경로를 O(1)로 줄여 RNN의 한계를 극복하고, 시간적 병렬 게이트 네트워크(TPGN)는 장단기 정보를 종합적으로 포착하여 장기 시계열 예측 성능을 향상시킨다.
최적의 시작점을 활용한 시계열 예측 방법
시계열 데이터의 특성을 활용하여 최적의 시작점을 결정하고, 이를 통해 예측 성능을 향상시킬 수 있다.
시계열 데이터에 대한 도메인 독립적 자동 설명문 생성
시계열 데이터에 대한 설명문을 자동으로 생성하는 도메인 독립적 방법을 제안한다.
다중 소스 관점에서의 장기 시계열 예측을 위한 시간 증거 융합 네트워크
시간 및 채널 차원의 다중 소스 정보를 효과적으로 융합하여 장기 시계열 예측 정확도를 향상시킴
시계열 모델에 대한 멤버십 추론 공격
시계열 데이터를 활용한 기계 학습 모델은 개인정보 보호에 심각한 위험을 초래할 수 있다. 이 연구는 시계열 예측 모델에 대한 멤버십 추론 공격의 효과를 평가하고, 계절성과 추세 특징을 활용하여 공격 성능을 향상시키는 새로운 방법을 제안한다.
© 2024 by Linnk AI