대규모 데이터셋에 적합한 VarLiNGAM 최적화를 통한 시계열 인과 관계 발견
본 연구는 VarLiNGAM 모델의 계산 복잡성을 개선하여 대규모 데이터셋에 대한 효율적이고 확장 가능한 인과 관계 발견 기법을 제안한다.
시계열 데이터 이해를 위한 대규모 언어 모델 평가: 포괄적인 분류 체계 및 벤치마크
대규모 언어 모델(LLM)은 시계열 데이터 분석 및 보고에 자동화 잠재력을 제공하지만, 일반 목적 LLM의 고유한 능력을 체계적으로 평가하는 것이 중요하다.
시계열 데이터에서 간단하고 정확한 모티프 탐지 기법
본 논문은 시계열 데이터에서 모티프를 효율적으로 탐지하는 새로운 기법인 k-Motiflets을 제안한다. k-Motiflets는 모티프 집합의 크기 k를 중심 매개변수로 사용하여, 모티프 집합의 유사도를 최대화한다. 이는 기존 방법들이 사용하는 거리 임계값 r보다 직관적이고 이해하기 쉬운 매개변수이다.
시계열 데이터 표현 학습을 위한 Transformer 재고찰: TSLANet
TSLANet은 Fourier 분석과 적응형 필터링을 활용하여 시계열 데이터의 장단기 의존성을 효과적으로 학습하고 노이즈를 완화하는 혁신적인 합성곱 기반 모델이다.
시계열 이상 탐지를 위한 자기 지도 대조 표현 학습 기법 CARLA
CARLA는 레이블이 없는 시계열 데이터에서 정상 패턴과 이상 패턴을 효과적으로 구분할 수 있는 표현을 학습하는 자기 지도 대조 학습 기법이다.
고차 시그니처 커널 솔버
이 논문에서는 부드러운 거친 경로(smooth rough path)의 시그니처 커널이 선형 편미분 방정식 시스템을 만족한다는 것을 보여주었다. 이를 활용하여 고진동 입력 경로에 대해 효율적으로 시그니처 커널을 계산할 수 있는 새로운 수치 기법을 제안하였다.
시계열 분류를 위한 InceptionTime과 웨이블릿 변환의 비교
두 가지 접근법인 InceptionTime 모델을 이용한 직접 분류와 웨이블릿 변환 후 이미지 분류를 비교하여, InceptionTime 모델이 더 높은 정확도와 빠른 학습 속도를 보였다.
시계열 데이터 분석을 위한 다중 스케일 분해 MLP-Mixer
시계열 데이터의 다양한 시간적 패턴을 명시적으로 분해하고 표현하여 효과적으로 분석할 수 있는 MSD-Mixer 모델을 제안한다.
시계열 데이터를 위한 효율적인 소프트 대조 학습
시계열 데이터의 고유한 상관관계를 고려하여 더 나은 표현 학습을 달성하기 위해 소프트 대조 학습 전략을 제안한다.
시계열 데이터 분류를 위한 경쟁적 확장 셰이플릿 변환
Castor는 시계열 데이터를 효과적으로 변환하여 정확한 분류 모델을 구축할 수 있는 새로운 알고리즘이다. 셰이플릿을 그룹화하고 경쟁시키는 방식으로 다양한 특징을 추출하여 우수한 분류 성능을 달성한다.