GRU-ODE-Bayes: 연속적으로 관찰되지 않는 시계열 데이터의 연속 모델링

실세계 다차원 시계열 데이터를 모델링하는 것은 이러한 데이터가 시간과 차원 간에 불규칙하게 샘플링되는 경우(예: 임상 환자 데이터) 특히 어려울 수 있습니다. 이러한 도전 과제를 해결하기 위해, 우리는 (1) 최근 제안된 신경 상미분 방정식(Neural Ordinary Differential Equations, Chen et al., 2018)을 기반으로 한 연속 시간 버전의 게이트 순환 유닛(Gated Recurrent Unit)과 (2) 불규칙한 관측치를 처리하는 베이지안 업데이트 네트워크를 제안합니다. 이 두 가지 아이디어를 결합하여 GRU-ODE-Bayes 방법을 개발하였습니다. 이후, 제안된 방법이 잠재 프로세스에 대한 연속성 사전 확률 분포를 인코딩하며, 다차원 스토크라스틱 미분 방정식에 의해 구동되는 복잡한 프로세스의 Fokker-Planck 동역학을 정확히 표현할 수 있음을 보여주었습니다. 또한, 경험적 평가 결과 우리 방법이 합성 데이터와 의료 및 기후 예측 등 실제 세계 데이터에서 최신 기술보다 우수한 성능을 발휘함을 확인하였습니다. 더욱이, 연속성 사전 확률 분포는 샘플 수가 적은 환경에서도 잘 적용됨을 입증하였습니다.