EnhanceNet: 상관된 시계열 예측을 위한 플러그인 신경망

상관된 시계열 예측은 시간에 따라 서로 상호작용하는 많은 사이버-물리 시스템에서 필수적인 역할을 합니다. 정확한 예측을 가능하게 하려면 다양한 엔티티 간의 시간적 동학과 상관관계를 모두 포착하는 것이 중요합니다. 전자를 포착하기 위해 순환 신경망(RNN)과 시간 합성곱 신경망(TCN)이라는 두 가지 인기 모델이 사용됩니다. 후자를 포착하기 위해 특정 엔티티 간의 관계를 반영하는 그래프가 구성되며, 이후 그래프에 그래프 합성곱(GC)을 적용하여 엔티티 간의 상관관계를 포착합니다. 최첨단 예측 정확도는 RNN 또는 TCN과 GC를 결합한 모델에서 달성됩니다. 그러나 이들은 서로 다른 엔티티 간에 존재하는 독특한 시간적 동학을 포착하지 못할 뿐만 아니라 시간에 따라 진화하는 엔티티 상관관계도 고려하지 않습니다. 본 논문에서는 또 다른 새로운 종단 간 예측 모델을 제안하는 대신, 기존 예측 모델을 개선하기 위한 프레임워크를 제공하는 것을 목표로 하며, 두 가지 챌린지를 해결하기 위해 기존 솔루션에 쉽게 통합될 수 있는 일반 플러그인을 제안합니다. 구체적으로, 우리는 서로 다른 엔티티를 위해 독특한 시간적 동학과 시간에 따른 동적 엔티티 상관관계를 더 잘 포착할 수 있는 두 개의 플러그인 신경망을 제안하며, 이를 통해 예측 정확도를 개선하고 학습해야 할 모델 매개변수를 줄입니다. 세 개의 실제 상관 시계열 데이터 세트에 대한 실험 결과는 두 개의 플러그인 네트워크가 포함된 제안된 프레임워크가 위의 목표를 달성할 수 있음을 보여줍니다.