초록
시계열 데이터는 다양한 분야에서 흔히 발견된다. 시계열의 클래스 레이블을 가능한 한 빠르고 정확하게 예측하는 초기 시계열 분류는 시간 민감도가 높은 응용 분야에서 매우 중요한 과제이지만, 동시에 도전적인 문제이다. 기존의 접근 방식은 주로 시계열 분류기의 예측 결과로부터 정지 신호를 포착하기 위해 휴리스틱 정지 규칙을 활용한다. 그러나 휴리스틱 정지 규칙은 명백한 정지 신호만 포착할 수 있어, 이러한 접근 방식은 정확하지만 지연된 예측 또는 조기이지만 잘못된 예측을 초래하는 경향이 있다. 이 문제를 해결하기 위해 우리는 시계열의 초기 시계열에서 은닉된 정지 신호를 통합된 프레임워크 내에서 자동으로 학습하여 포착할 수 있는 새로운 2차 신뢰도 네트워크를 제안한다. 제안된 모델은 깊은 신경망을 활용하여 시계열의 시계적 패턴을 추출하고, 2차 신뢰도를 출력함으로써 은닉된 정지 신호를 반영한다. 구체적으로, 우리의 모델은 단순히 특정 시점의 데이터뿐 아니라 확률 시퀀스의 정보까지 활용하여 정지 신호를 포착한다. 분류기 출력에서 얻은 정지 신호와 2차 신뢰도를 결합함으로써, 향후 시점의 관측을 추가로 요청할지 여부를 더 강력하고 신뢰할 수 있는 기준으로 결정하는 트리거를 설계하였다. 실험 결과, 제안한 방법이 최신 기술 대비 초기 시계열 분류 성능에서 우수한 성과를 달성함을 확인하였다.