Just Fighting

[논문] Are Transformers Effective for Time Series Forecasting? (2022) - 2https://yensr.tistory.com/162 [논문] Are Transformers Effective for Time Series Forecasting? (2022) - 1Abstract장기 시계열 예측(Long-term Time Series Forecasting)에서 트랜스포머 기반의 솔루션이 급증하고 있다.트랜스포머는yensr.tistory.com   트랜스포머는 셀프어텐션을 이용해 입력 요소 간의 관계를 추출한다.기존 모델에서는 시간복잡도와 메모리복잡도가 $O(L^2)$으로 매우 높다.그래서 최근 연구에선 2가지의 방법을 제안한다. 희소성 기반 (self-atten..

https://yensr.tistory.com/162 [논문] Are Transformers Effective for Time Series Forecasting? (2022) - 1Abstract장기 시계열 예측(Long-term Time Series Forecasting)에서 트랜스포머 기반의 솔루션이 급증하고 있다.트랜스포머는 긴 시퀀스 내 요소 간의 의미적인 상관관계를 추출하는 데 가장 성공적인 솔루yensr.tistory.com     2. Preliminaries: TSF Problem Formulation 시계열 예측 문제는 미래의 $T$개의 시점에서의 값을 예측하는 것.$T >1$인 경우, 예측 방식이 2가지 존재한다. Iterated Multi-Step (IMS) Forecasting단일 ..

Abstract장기 시계열 예측(Long-term Time Series Forecasting)에서 트랜스포머 기반의 솔루션이 급증하고 있다.트랜스포머는 긴 시퀀스 내 요소 간의 의미적인 상관관계를 추출하는 데 가장 성공적인 솔루션 그러나 시계열 모델링에서는 순서가 있는 연속된 점들의 시간적관계(temporal relations)을 추출하는 것이 핵심이다. 트랜스포머가 positional encoding과 임베딩된 서브시리즈를 토큰으로 사용하는 것이어떤 순서 정보를 보존하는 것에 용이하나, self-attention의 특성상 시간 정보 손실은 불가피하다. 그래서 LSTF-Linear라는 단층 선형 모델을 제안한다.9개의 데이터 셋에 대해 실험한 결과, 이는 복잡한 트랜스포머 기반 LTSF 모델보다 좋은 성..

자바를 처음 공부하면서 getter, setter의 개념을 알고는 있었으나,파이썬에서 getter, setter를 사용하는 방식은 매우 달랐다.바로 @property를 사용하면 된다.  @property@property는 외부에서 호출하지 못하는 클래스의 속성(변수)을메서드처럼 호출할 수 있도록 하며, 이게 바로 getter의 역할을 한다. setter는 @변수명.setter와 같이 선언해주면 된다.setter를 안 쓸 경우에는 읽기전용 변수가 된다고 생각하면 된다.  코드를 함께 살펴보자! class Person: def __init__(self, name): self._name = name # 내부적으로 _name을 사용 (직접 접근 방지) @property def na..