PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23074v1cs.AI

이벤트 시그니처 전이: 과거 이벤트로부터 모델에 무관한 예측 시나리오 구성

Event Signature Transfer: Model-Agnostic Forecast Scenario Construction from Historical Events

예측자들은 종종 어떤 이벤트가 임박했는지는 알지만, 그 영향의 형태·규모·시점은 알지 못하는 경우가 많다. 본 논문은 완료된 과거 이벤트를 명시적인 예측 시나리오로 바꾸는, 학습이 필요 없고 모델에 무관한 연산자인 이벤트 시그니처 전이(Event Signature Transfer, EST)를 제안한다. EST는 소스 이벤트 고유의 추세와 계절성을 제거한 뒤, 남은 이벤트 시그니처를 스케일 조정·시간 재배치하여 기본(native) 예측 위에 얹으며, 예측의 연계 구조를 보존하고 강도가 0일 때는 그 예측과 정확히 일치한다. 출력 분위(quantile)만 사용하므로 전이 시점에 학습이나 모델 내부 접근 없이 임의의 분위 예측 모델에 적용할 수 있다. Chronos-2, TimesFM-2.5, Toto-2.0에서 열두 건의 실제 에피소드와 열 가지 합성 시나리오에 대해, 수동 설정 EST는 실제 에피소드의 표본 내(in-sample) WQL을 21.7–90% 감소시켰다. Chronos-2에서는 공변량 조건화, 활성화 편집, 원시 재현(raw replay)과의 열두 번 짝 맞춤 비교 중 열한 번에서 우수했다. 이 연산자는 시나리오를 구성할 뿐, 그 가능도는 추정하지 않는다.

arXiv:2602.17683v3cs.LG

희소 위성 시계열과 기상 공변량을 활용한 확률적 NDVI 예측

Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates

구름 마스킹으로 희소·불규칙한 맑은 하늘 위성 시계열과 기상 공변량 하에서 필드 수준 NDVI를 다단계 분위수로 예측하는 확률적 프레임워크를 제안하며, transformer가 과거 NDVI·기상 이력과 미래 공변량을 분리 인코딩하고 시간-거리 가중 분위수 손실과 누적·극한 기상 특징으로 불규칙 재방문과 지연 기상 효과를 반영한다. 유럽 위성 데이터 실험에서 통계·심층학습·시계열 baseline 대비 점 추정 및 확률적 평가 지표 모두에서 우수한 성능을 보였다.