기능 잠재 동역학을 이용한 불규칙 샘플링 시계열 예측

불규칙한 샘플링과 결측치를 가진 시계열 데이터는 의료, 기후 및 천문학 등 다양한 실제 응용 분야에서 자주 관찰됩니다. 이러한 데이터는 완전히 관찰되고 규칙적으로 샘플링된 시계열 데이터만을 처리하는 표준 딥러닝 모델에게 큰 도전이 됩니다. 불규칙한 시계열의 연속적인 동역학을 포착하기 위해 많은 모델은 은닉 상태에서 일반 미분 방정식(ODE)을 해결하는 데 의존합니다. 이러한 ODE 기반 모델들은 순차적 연산과 복잡한 ODE 솔버로 인해 성능이 느리고 큰 메모리를 필요로 합니다. 복잡한 ODE 기반 모델의 대안으로, 우리는 함수 잠재 동역학(Functional Latent Dynamics, FLD)이라는 모델군을 제안합니다. ODE를 해결하는 대신, 모든 시간 점에서 존재하는 단순 곡선을 사용하여 모델의 연속적인 잠재 상태를 지정합니다. 이 곡선들의 계수는 시계열 데이터의 관찰된 값들로부터만 학습되며, 결측치는 무시됩니다. 광범위한 실험을 통해 FLD가 최고 성능의 ODE 기반 모델보다 더 우수한 성능을 달성하면서 실행 시간과 메모리 부하를 줄임을 입증하였습니다. 특히, FLD는 최고 예측 성능의 예측 모델에 비해 예측 추론에 필요한 시간이 한 자릿수 이상 적습니다.