딥러닝 기반 시계열 예측 알고리즘의 모델 크기에 따른 성능 비교 및 분석 (Comparison and Analysis for the Performance of Deep Learning-Based Time Series Prediction Algorithms According to Increasing Model Size)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 48권 / 1호 / 123 ~ 128페이지
· 저자명 : 최영준, 김대근

초록

이 논문은 최신의 딥러닝 기반의 시계열 예측 알고리즘에서 언어 모델의 scaling laws가 적용되는지 실험적으로확인해 보고자 하였다. 2개의 딥러닝 기반 시계열 예측 알고리즘을 통해 모델의 크기를 기존 알고리즘 대비 최대24배까지 증가시켰으며, 실험 결과 기존 알고리즘의 state-of-the-art 성능보다 최대 3.6% 좋은 결과를 얻을 수 있었다. 또한, 언어 모델의 scaling laws에서 언급한 모델 크기와 데이터 크기의 관련성에 대해 시계열 예측 모델에서도 유사한 결과를 갖는다는 것을 실험적으로 확인할 수 있었다.

영어초록

This paper deals with empirical research on if scaling laws of language models are be able to be applied to state-of-the-art deep learning-based time series forecasting algorithms. Two deep learning-based time series forecasting algorithms have increased the size of the model by up to 24 times over those created in the original papers, and empirical analysis shows up to 3.6% better than the state-of-the-art performance of one of the algorithms. In addition, similar to the results of the scaling law paper on language models, the results of this paper confirm that model size and data size have a meaningful relationship with the performance of time series forecasting algorithms.

참고자료

· 없음