PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.27672v1cs.LG

시계열 파운데이션 모델은 E-Nose 데이터에 준비되었는가? 임베딩에 대한 실증 평가

Are Time-Series Foundation Models Ready for E-Nose Data? An Empirical Assessment of Their Embeddings

자연어 처리(NLP)와 컴퓨터 비전(CV)의 발전에 영감을 받아, "시계열 파운데이션 모델"(TSFM)이 최근 예측, 분류, 이상 탐지 등 다양한 시계열 작업뿐 아니라 의료, 기후 과학, 제조 등 다양한 도메인에서 강력한 일반화를 약속하며 도입되었다. 그러나 가스 센싱 데이터에 대한 활용 가능성은 대부분 탐구되지 않았다. 이 공백을 메우기 위해, 본 논문은 전자 코(E-Nose) 데이터에 대해 최근 TSFM을 체계적으로 평가한다. 특히 Chronos-2와 MOMENT을 포함한 대표적인 TSFM이 생성하는 임베딩이 가스 식별 및 농도 예측에 효과적인 표현을 제공하는지 조사한다. 구체적으로, E-Nose 데이터에서 만족스러운 성능을 달성하려면 미세조정이 필요함을 보이며, TSFM 임베딩을 특화 예측 모델이 학습한 표현과 융합하면 성능을 더 향상시킬 수 있음을 보여, 가스 센싱 응용에서 현재 TSFM의 잠재력과 한계를 모두 시사한다.