불규칙 다변량 시계열 예측을 위한 확률 회로
요약
본 논문은 불규칙 다변량 시계열(IMTS) 예측에서 발생하는 불확실성을 정확하게 정량화하기 위해 확률 회로(probabilistic circuits)를 활용한 새로운 아키텍처 CircuITS를 제안합니다. 기존 방법들이 표현력과 일관된 주변화를 동시에 확보하는 데 어려움을 겪었던 문제를 해결하며, CircuITS는 시계열 채널 간의 복잡한 의존성을 포착하면서도 구조적으로 유효한 공동 분포를 보장합니다. 실험 결과, CircuITS가 최신 기법 대비 우수한 공동 및 주변 밀도 추정 성능을 보여주었습니다.
핵심 포인트
- 불규칙 다변량 시계열(IMTS) 예측에서 불확실성 정량화의 중요성을 강조합니다.
- 기존 모델들이 겪던 표현력과 일관된 주변화 간의 상충 문제를 해결하는 데 초점을 맞춥니다.
- 새로운 아키텍처 CircuITS는 확률 회로를 기반으로 IMTS 예측을 수행하며, 복잡한 의존성 포착 능력을 제공합니다.
- 실험적으로 CircuITS가 공동 밀도 및 주변 밀도 추정에서 최신 기법보다 우수한 성능을 입증했습니다.
공동 확률 모델링은 불규칙 다변량 시계열 (IMTS) 의 예측에서 불확실성을 정확하게 정량화하는 데 필수적입니다. 기존 접근법들은 종종 모델의 표현력 (expressivity) 과 일관된 주변화 (marginalization) 를 균형 맞추는 데 어려움을 겪으며, 이는 종종 신뢰할 수 없거나 모순적인 예측으로 이어집니다. 이를 해결하기 위해 우리는 확률 회로 (probabilistic circuits) 에 기반한 불규칙 IMTS 예측을 위한 새로운 아키텍처인 CircuITS 를 제안합니다. 우리의 모델은 시계열 채널 간의 복잡한 의존성을 포착하는 데 유연하면서도 구조적으로 유효한 공동 분포 (joint distributions) 를 보장합니다. 네 가지 실제 데이터셋에 대한 실험 결과, CircuITS 는 최신 기법 기반선 (state of the art baselines) 보다 우수한 공동 밀도 추정 (joint density estimation) 과 주변 밀도 추정 (marginal density estimation) 성능을 달성함이 입증되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기