뉴럴네트워크 수업 관련 프로젝트 및 실습
- 기획서
- 중간 발표
- 최종 발표
- 최종 결과 보고서
서론(Introduction)
Koopa는 효율적인 시계열 예측을 위한 경량 MLP이론 기반 모델로 고도로 훈련된 심층 예측기와 비교하여 77.3%의 훈련 시간과 76.0%의 메모리 설치 공간을 절약하면서도 최첨단 성능을 발휘한다.
유비쿼터스 비정지 시계열을 묘사하는 데 초점을 맞춘 Koopa는 실제 세계 시계열의 비선형 진화를 자연스럽게 다루는 현대의 Koopman 이론에 의해 강화된 모델 용량을 보여주며 종단 간 예측 훈련을 달성하기 위해 재구성 손실 함수가 없는 표준 Koopman Autoencoder와 다르다.
롤링 예측에 적용 가능(Applicable for Rolling Forecast)
롤링 예측 중에 들어오는 시계열에 연산자를 적용함으로써 연속적인 분포 이동에 적응함으로써 보다 정확한 성능을 달성 할 수 있으며, 연산자 적응의 순진한 구현은 DMD 알고리즘을 기반으로 한다. 복잡도가 감소된 반복 알고리즘을 제안하며 논문의 부록에서 확인 가능하다.
또한 이 시나리오를 더 잘 이해하기 위해 튜토리얼 노트이 있다. 자세한 내용은 operator_adaptation.ipynb를 참조.(https://github.com/qor6/Koopman/blob/main/operator_adaptation.ipynb)
관련 기사 : https://url.kr/qc6w5t
시각화 tool 예상 : Grafana
컴퓨터 비전 수업 관련 실습
https://github.com/qor6/NeuralNetwork-ComputerVision_donga/tree/main/OpenCV