SCINet: 샘플 컨볼루션 및 상호작용을 이용한 시계열 모델링 및 예측

시간 시리즈의 고유한 특성 중 하나는 하위 시퀀스로 다운샘플링된 후에도 시간적 관계가 대부분 유지되는 것입니다. 이 특성을 활용하여, 우리는 시간 모델링과 예측을 위한 샘플 합성곱 및 상호작용을 수행하는 새로운 신경망 구조를 제안합니다. 이를 SCINet(Sample Convolution and Interaction Network)이라고 명명하였습니다. 구체적으로, SCINet은 재귀적인 다운샘플링-합성곱-상호작용 구조입니다. 각 레이어에서 우리는 여러 합성곱 필터를 사용하여 다운샘플링된 하위 시퀀스 또는 특징들로부터 서로 다른 그러나 가치 있는 시간적 특징들을 추출합니다. 이러한 다양한 해상도에서 수집된 풍부한 특징들을 결합함으로써, SCINet은 복잡한 시간 동역학을 가진 시간 시리즈를 효과적으로 모델링합니다. 실험 결과는 SCINet이 다양한 실제 세계 시간 시리즈 예측 데이터셋에서 기존의 합성곱 모델과 트랜스포머 기반 솔루션보다 유의미한 예측 정확도 개선을 달성함을 보여줍니다. 우리의 코드와 데이터는 https://github.com/cure-lab/SCINet에서 확인할 수 있습니다.