TimesNet - CNN Based Time Series Forecasting (Multi periodicity 활용)

Introduction

  • a CNN-based architecture to achieve state-of-the-art results across different tasks,

Motivation

  • Mutli-periodicity
  • 예) 밤보다 낮이 덥고, 겨울보다 여름이 더 덥다. 이렇게 여러 특징이 Overlap되기도 하고 상호작용하기도 한다. → 기간만을 가지고 분리하기가 어려울 수 있다.
  • 저자는 2D Space로 TIme Series의 Reshape을 제안 → intraperiod-variation and interperiod-variation.를 각각 모델링

Architecture

  • TimesNet은 여러 TimesBlock을 [[📦 Residual Learning은 신경망이 깊어질 때 성 저하를 막기위한 학습 방식이다.|Residual Connection]] 과 함께 Stacking한 구조
  • 각 Time Block에는 Series 형태의 Data가  a fast Fourier transform (FTT)를 거쳐서 Period를 구분된 다음, 2D Vector로 Reshape이 이루어짐, 다음에 Inception Block으로 가서 2D Space형태의 Representation을 학습하고 2D Space 형태로 예측까지 이루어짐
  • 마지막으로 1D Vector로 제공하기 위해서 Adaptive Aggregation을 활용함

Multi-periodicity를 어떻게 인식할 것인가?

  • 저자는  intraperiod and interperiod variations. 를 각각 모델링하기 위해서 1d Series를 2D Vector로 변환
  • Red rectangles(intraperiod-variation): 예를 들면 월요일에서 화요일, 수요일로 가면서 데이터가 어떻게 바뀌는지
  • Blue Rectangle(Interperiod-variation): 지난주 월요일, 다음주 월요일간의 데이터 변화
  • interperiod-variation는 Vecrtical로 ,the intraperiod-variation는 Horizontal로 표현됨
  • 유의미한 Period를 어떻게 인지하기 위해서 FastFourier Transform (FTT)를 활용
  • 예시로 위 이미지에서는 ETT Dataset에 FTT를 적용한 결과이며 Amplitude의 Peak을 보고 Dilay와 Year가 중요한 Period임을 파악할 수 있다. 이 때 Parameter K를 이용해서 Period 갯수 선정할 수 있음 → 이 데이터 기반으로 2D Vector를 구성하고 2D Kernel 이용해서 Temporal Variation을 찾는다.

Inside the TimesBlock

위 데이터는 Inception Block으로 보내진다. Inception Block을 통해서 Sparse Representation을 유지하고 일르 통해서 보다 효과적인 Representation Status를 유지하고자 함 → GooLeNet 아이디

왜 Inception Block을 채택했을까? → Inception Block은 원래 Vision Model 쪽 idea임

  • 2D Data Parsing을 할 수 있다는 강점 외에, Inception Block을 활용함으로써 Vision 쪽에서의 개선 아이디어를 지속차용함으로써 모델 개선 가능성을 열어두었음

Adaptive aggregation

  • Aggression을 할 때 Period별로 Amplitude가 다른 부분을 반영하기 위해서 Adaptive Aggerssion을 활용 → 연/월/일 중요도가 다르기 떄문에
  • 이 부분이 매끄럽게 진행되기 위해서 FTT이후 Softmax Layer를 거치게 함으로써 중요도가 비교될 수 도록 변환을 거친다.
  • 이렇게 거친 데이터가 하나의 TimeBlock을 거치고 이 Time Block들이 Stacking을 하고 Residual Learning이 결합되면서 TimesNet이 완성된다.

Read more

[책]Reshuffle: Who wins when AI restacks the knowledge economy

[책]Reshuffle: Who wins when AI restacks the knowledge economy

원래는 Amazon에 가서 Personal Knowledge Managment에 관한 책을 사려고 했다. Sketch Your Mind라는 책이었는데, 그 때 이 책 “Reshuffle”을 발견하였다. AI가 어떻게 Knowledge Economy를 흔들 것가? 라는 부제를 훑어보면서 저자가 쓴 다른 책을 보게 되었는데 거기에 내가 좋아했던 책을쓴 저자라는 것을 알게 되었다. 그래서 크게 고민하지 않고 구매를 하고

By Bongho, Lee
[책]올라운드투자, 누군가의 투자일기

[책]올라운드투자, 누군가의 투자일기

“올라운드 투자”라는 제목을 보았을 때는, “올라운드 플레이어”가 생각이 났다. “올라운드”라는 표현을 오랜만에 들어본 까닭이었다. 그럼에도 불구하고 이 책을 고른 것은 저자가 그간 보여준 컨텐츠에 대한 신뢰가 있던 까닭이었다. 컨텐츠를 다양하게 보는 편이지만 깊이가 아주 있지는 않았다. 여기서 깊이라 함은 기존 전문적인 정량적 분석의 내용의 수준을 말하는 것이다.

By Bongho, Lee
내가 놓치고 있던 미래, 먼저 온 미래를 읽고

내가 놓치고 있던 미래, 먼저 온 미래를 읽고

장강명 작가의 책은, 유학시절 읽고 처음이었다. 유학시절 "한국이 싫어서"라는 책은 동기부여가 상당히 되는 책이었다. 한국을 떠나 새로운 정채성을 학생으로서 Build up 해나가고 있던 상황에서 이 책은 제목부터 꽤 솔깃하였다. 물론 결말이 기억날 정도로 인상깊은 책은 아니었지만 말이다. 그렇게 시간이 흘러 장강명 작가의 책은 더 이상 읽지 않던

By Bongho, Lee