PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2304.04308v2cs.LG공식 코드 · Papers with Code

시계열 예측을 위한 앙상블 모델링: 적응적 강건 최적화 접근

Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach

정확한 시계열 예측은 시간적 데이터를 다루는 많은 문제에서 매우 중요하다. 앙상블 모델링은 여러 예측 모형을 활용하여 정확도와 강건성을 높이는 확립된 기법이며, 이는 기저 데이터 분포의 변화로 인해 단일 예측기의 성능이 크게 달라질 수 있기 때문이다. 본 논문은 시계열 예측 모형의 강건한 앙상블을 구축하는 새로운 방법론을 제안한다. 우리의 접근법은 적응적 강건 최적화(Adaptive Robust Optimization, ARO)를 사용하여 모형 가중치가 시간에 따라 적응하는 선형 회귀 앙상블을 구성한다. 드리프트가 없는 경우부터 급격한 체제 전환까지 여덟 가지 교란 시나리오를 다루는 합성 실험과, 대기 오염 관리, 에너지 소비 예측, 열대 저기압 강도 예측을 포함한 실제 응용을 통해 제안 방법의 효과를 입증한다. 실제 응용에서 우리의 적응적 앙상블은 사후적으로 최선인 앙상블 구성원보다 평균 제곱근 오차(RMSE)에서 16-26%, 15% 수준의 조건부 위험가치(CVaR)에서 14-28% 더 우수하며, 비교한 다른 앙상블 방법들에 비해 대부분의 지표에서 개선된다. 합성 실험에서는 여덟 개 시나리오 중 일곱 개에서 롤링 릿지(rolling-ridge) 비교 모형보다 평균 RMSE가 낮고 그중 네 개에서는 유의하게 낮은 반면, 모형 선택 이후에 처음 나타나는 급격한 체제 전환은 여전히 한계로 남는다.

arXiv:2409.14557v5stat.ML공식 코드 · Papers with Code

샘플 효율적인 강화학습을 위한 외생적 구조 활용

Exploiting Exogenous Structure for Sample-Efficient Reinforcement Learning

우리는 상태 공간이 외생적(exogenous) 및 내생적(endogenous) 구성요소로 분할되는, Exo-MDP로 알려진 구조화된 마르코프 결정 과정(MDP) 클래스를 연구한다. 외생적 상태는 에이전트(agent)의 행동과 무관하게 확률적으로 변화하는 반면, 내생적 상태는 두 상태 구성요소와 행동 모두에 기반하여 결정론적으로 변화한다. Exo-MDP는 재고 관리, 자원 관리, 차량 호출(ride-sharing)을 포함한 많은 운영 과학(operations research) 설정을 포착한다. 우리의 첫 번째 기여는 구조적 측면으로, 이산 MDP, Exo-MDP, 이산 선형 혼합 MDP 사이의 표현적 동치 관계를 확립한다. 두 번째 기여는 통계적 측면이다. 유효 차원 $r$이 내생적 상태 및 행동 공간에 비해 작을 때 Exo-MDP 학습의 미니맥스 후회(minimax regret)를 규명한다. 외생적 상태가 관측되지 않을 때, Exo-MDP의 유효 차원이 $r$인 경우 수평선(horizon) $H$의 $K$개 에피소드에 걸쳐 $Θ(Hr \sqrt{K})$ 차수의 일치하는 상한 및 하한 후회 경계를 증명한다. 외생적 상태가 관측되는 경우 미니맥스 후회는 $Θ(H\sqrt{ r K})$로 개선되어, 외생적 상태 관측으로 인한 $Θ(\sqrt{r})$의 통계적 격차를 밝혀낸다. 이러한 결과는 Exo-MDP가 샘플 복잡도(sample complexity)를 행동 공간 및 내생적 상태 공간으로부터 분리함을 보여준다. 우리는 재고 관리 및 자원 할당에 대한 실험을 통해 이러한 통찰을 검증한다.