다중 스텝 예측은 시계열 머신러닝에서 상당히 중요하게 여겨지는 도전적인 과제이다. 실생활 대부분의 데이터는 시간 속성을 가지고 있기 때문에, 미래를 예측하는 것은 상당한 가치를 창출한다. 다중 스텝 예측에 있어서 deep neural networks (DNNs)이 기존 시계열 모델보다 뛰어난 성능 향상을 입증시키면서 점점 더 사용되는 추세이다. 많은 모델들(예: DeepAR, MQRNN)은 recurrent neural networks (RNNs)에 초점을 맞춘 반면에, 최근 성능 향상은 Transformer-based models을 포함하여 정보를 순차적으로 처리하게 하는 RNN의 inductive bias를 뛰어넘는 수준의 관계성 높은 과거 타임 스텝의 선택성을 향상시키는 attention-based..
[구글 AI 블로그 리뷰] Interpretable Deep Learning for Time Series Forecasting
다중 스텝 예측은 시계열 머신러닝에서 상당히 중요하게 여겨지는 도전적인 과제이다. 실생활 대부분의 데이터는 시간 속성을 가지고 있기 때문에, 미래를 예측하는 것은 상당한 가치를 창출한다. 다중 스텝 예측에 있어서 deep neural networks (DNNs)이 기존 시계열 모델보다 뛰어난 성능 향상을 입증시키면서 점점 더 사용되는 추세이다. 많은 모델들(예: DeepAR, MQRNN)은 recurrent neural networks (RNNs)에 초점을 맞춘 반면에, 최근 성능 향상은 Transformer-based models을 포함하여 정보를 순차적으로 처리하게 하는 RNN의 inductive bias를 뛰어넘는 수준의 관계성 높은 과거 타임 스텝의 선택성을 향상시키는 attention-based..
2023.03.15