サインイン
インサイト - 시계열 데이터 표현 학습
시계열 데이터의 잡음에 강한 자기지도 학습 및 효율적인 인코더를 통한 시계열 표현 학습 향상
본 연구는 시계열 데이터의 고유한 잡음 특성을 고려하여 일관성 있는 표현 학습을 달성하는 혁신적인 학습 전략을 제안하고, 효율적이면서도 강력한 인코더 아키텍처를 설계하였다.
시계열 데이터 표현 학습을 위한 Transformer 재고찰: TSLANet
TSLANet은 Fourier 분석과 적응형 필터링을 활용하여 시계열 데이터의 장단기 의존성을 효과적으로 학습하고 노이즈를 완화하는 혁신적인 합성곱 기반 모델이다.
시계열 데이터의 지도 학습 대조 시간 변환기를 통한 표현 학습
시계열 데이터의 효과적인 표현을 학습하기 위해 다양한 데이터 증강 방법, 시간 변환기와 시간 합성곱 신경망의 융합, 그리고 지도 학습 대조 손실 함수를 활용한 새로운 모델 SCOTT을 제안한다.