• 목록

[일시]
2024.08.13

[세미나 주제]
Addressing Distribution Shifts in Time Series Forecasting


[발표자]
백승준

[요약]
본 발표는 Time Series Forecasting을 수행하는데 있어서 시계열 데이터의 Non-stationary한 특성으로 인한 데이터의 분포 이동 문제를 해결하고자 한다. (1) 데이터를 어느 시점에 샘플링하느냐에 따라 Input Data Space의 통계적 특성이 변화한다. 또한 (2) 데이터를 일반적으로는 Time Series Forecasting시 Input Data Space와 Output Data Space의 통계적 특성이 같다고 가정하지만, 현실세계에서는 Input Data Space와 Output Data Space에는 항상 분포 변화 발생한다. 이러한 데이터 분포 이동은 Time Series Forecasting의 성능을 저해한다. 본 발표는 데이터 분포 이동 문제를 해결하기 위한 2가지 방법을 소개한다. Reverse Instance Normalization은 정규화 및 비정규화 방법으로, 시계열 인스턴스의 통계적 정보를 제거하고 복원하는  과정을 통해 분포 이동 문제를 해결하고자 하였다. 더 나아가  Dish-TS는 입력 공간(lookbacks)을 설명하는 BACKCONET을 사용하여 정규화하고, 출력 공간(horizons)을 설명하는 HORICONET을 사용하여 비정규화를 진행하여 분포이동 문제를 해결하고자 한다. 또한 Dish-TS는 HORICONET을 학습하기 위해 Prior Knowledge를 제공하여 출력 공간의 특성을 반영하도록 한다.

[관련 논문]
- Reversible Instance Normalization for Accurate Time-Series Forecasting against Distribution Shift
- Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting

[녹화 영상 링크]
https://us02web.zoom.us/rec/share/SVI9HjNxR97TrDpel1qxLxyQdiqx__n135KQ72rzGBQr09QobZA8oBVJi5zrRTow.QMhg2vK9C8d_uhgP