획기적인 AI 예측 모델, FOCUS: 정확성과 효율성의 완벽 조화

Niu Yiming 등 연구진이 개발한 FOCUS 모델은 오프라인 클러스터링을 통해 다변량 시계열 예측의 정확성과 효율성을 동시에 개선했습니다. 기존 Transformer 모델의 계산 복잡도 문제를 해결하여, 실시간 예측이 필요한 다양한 분야에 혁신적인 해결책을 제시했습니다.

교통 체증 예측부터 기상 예보까지, 다변량 시계열 데이터(MTS)의 정확한 예측은 현대 사회의 핵심 과제입니다. 하지만 기존의 예측 모델, 특히 Transformer 기반 모델들은 장기간의 시간적 의존성과 변수 간 상호작용을 포착하는 데 어려움을 겪어왔습니다. 계산 복잡도가 입력 길이의 제곱에 비례하여 증가하는(O(n²)) 문제 때문입니다.

이러한 한계를 극복하기 위해 Niu Yiming 등 연구진이 개발한 FOCUS (Forecaster with Offline Clustering Using Segments) 모델이 등장했습니다. FOCUS는 오프라인 클러스터링 기법을 활용하여 이 문제를 해결했습니다. 핵심은 오프라인 단계에서 데이터의 유사한 시간 세그먼트들을 클러스터링하여 '프로토타입'을 추출하는 것입니다. 이 프로토타입들은 실제 시스템 내의 주요 이벤트들을 요약한 것으로, 유사한 시간 구간의 주요 특징을 담고 있습니다.

온라인 단계에서는 FOCUS가 이러한 프로토타입들을 현재 입력 데이터에 동적으로 적용합니다. 입력 세그먼트와 상위 수준의 이벤트들 간의 의존성을 포착하여 정확하고 효율적인 예측을 수행합니다. 오프라인 클러스터링을 통해 장기 의존성 모델링의 계산 복잡도를 선형으로(O(n)) 감소시킨 것이 특징입니다.

다양한 벤치마크 실험 결과, FOCUS는 최첨단 정확도를 달성하면서 동시에 계산 비용을 크게 절감하는 것으로 나타났습니다. 이는 교통 관리, 기상 예보와 같은 실시간 예측이 필요한 분야에서 획기적인 발전으로 평가받고 있습니다. 더 나아가, FOCUS 모델은 대규모 데이터 처리에 대한 실용성을 높여, 더욱 정교하고 효율적인 AI 예측 시스템 구축의 가능성을 열었습니다.

연구진: Niu Yiming, Deng Jinliang, Zhang Lulu, Zhou Zimu, Tong Yongxin