결손치가 있는 다변량 시계열 자료를 위한 순환 신경망

실제 응용 분야에서 다변량 시계열 데이터는 의료, 지구과학, 생물학 등에서 다양한 결측치를 특징으로 합니다. 시계열 예측 및 관련 작업에서는 결측치와 그 결측 패턴이 종종 타겟 라벨과 상관관계가 있으며, 이를 정보성 결측이라고 부릅니다. 그러나 이러한 결측 패턴을 활용하여 효과적인 보간을 수행하고 예측 성능을 개선하는 연구는 매우 제한적입니다. 본 논문에서는 이러한 초기 시도 중 하나로 새로운 딥러닝 모델인 GRU-D를 개발합니다. GRU-D는 최신 순환 신경망인 게이트 순환 유닛(Gated Recurrent Unit, GRU)을 기반으로 하며, 결측 패턴의 두 가지 표현 방식인 마스킹(masking)과 시간 간격(time interval)을 효과적으로 모델 아키텍처에 통합합니다. 이로 인해 GRU-D는 시계열 데이터의 장기 시간 의존성을 포착하는 동시에 결측 패턴을 활용하여 더 나은 예측 결과를 도출할 수 있습니다. 실제 임상 데이터셋(MIMIC-III, PhysioNet)과 합성 데이터셋에서 수행된 시계열 분류 작업 실험은 우리의 모델이 최고 수준의 성능을 달성하며, 시계열 분석에서 결측치를 더 잘 이해하고 활용하기 위한 유용한 통찰력을 제공함을 입증합니다.