PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2511.00053v2cs.LG

다단계 시계열 예측 모델 학습을 위한 이차 형식 직접 예측

Quadratic Direct Forecast for Training Multi-Step Time-Series Forecast Models

학습 목표(learning objective)의 설계는 시계열 예측 모델을 학습(training)시키는 데 핵심적인 역할을 합니다. 평균 제곱 오차(mean squared error)와 같은 기존의 학습 목표는 대개 미래의 각 시점을 독립적이고 동일한 가중치를 갖는 작업으로 취급하며, 이는 다음과 같은 두 가지 문제를 야기합니다. (1) 미래 시점 간의 레이블 자기상관(label autocorrelation) 효과를 간과하여 편향된 학습 목표로 이어집니다. (2) 서로 다른 미래 시점에 대응하는 예측 작업별로 이종의 작업 가중치를 설정하지 못해 예측 성능을 제한합니다. 이러한 공백을 해소하기 위해, 본 논문에서는 두 문제를 동시에 해결하는 새로운 이차 형식 가중치 기반 학습 목표를 제안합니다. 구체적으로, 가중치 행렬의 비대각 원소는 레이블 자기상관 효과를 반영하는 반면, 균일하지 않은 대각 원소는 다양한 미래 시점을 갖는 예측 작업의 선호 가중치와 일치하도록 유도됩니다. 이를 기반으로 적응적으로 업데이트되는 이차 형식 가중치 행렬을 사용해 예측 모델을 학습시키는 QDF(Quadratic Direct Forecast) 학습 알고리즘을 제안합니다. 실험 결과에 따르면 QDF는 다양한 예측 모델의 성능을 효과적으로 향상시켜 SOTA(state-of-the-art) 결과를 달성합니다. 코드는 https://github.com/Master-PLC/QDF 에서 확인할 수 있습니다.

arXiv:2402.02399v3cs.LG공식 코드 · Papers with Code

FreDF: 주파수 영역에서의 예측 학습

FreDF: Learning to Forecast in the Frequency Domain

시계열 모델링은 과거 데이터와 미래 시퀀스 모두에 존재하는 자기상관(autocorrelation)으로 인해 고유한 어려움을 야기합니다. 현재 연구는 주로 과거 데이터 내의 자기상관을 다루는 반면, 미래 레이블 간의 상관관계는 간과되는 경우가 많습니다. 구체적으로, 최신 예측 모델은 주로 직접 예측(Direct Forecast, DF) 패러다임을 따르며, 다단계 예측을 독립적으로 생성하고 시간에 따른 레이블 자기상관을 무시합니다. 본 연구에서는 레이블 자기상관이 존재할 때 DF의 학습 목표에 바이어스가 발생함을 증명합니다. 이러한 문제를 해결하기 위해, 우리는 주파수 영역에서 예측하는 법을 학습하여 레이블 자기상관을 완화하고 추정 바이어스를 줄이는 FreDF(Frequency-enhanced Direct Forecast)를 제안합니다. 실험 결과에 따르면 FreDF는 기존의 최신 SOTA(state-of-the-art) 방법들을 크게 능가하며 다양한 예측 모델과 호환됩니다. 코드는 https://github.com/Master-PLC/FreDF 에서 확인할 수 있습니다.