Ein Team von Forschern hat eine Zeitreihenmaschinenlernmethode entwickelt, um Herausforderungen im Zusammenhang mit Datenwanderungen anzugehen. Diese innovative Methode, unter der Leitung von Professor Sungil Kim und Professor Dongyoung Lim vom Department of Industrial Engineering und der Artificial Intelligence Graduate School an der UNIST, behandelt effektiv unregelmäßige Abtastintervalle und fehlende Werte in Echtzeit-Datenreihen, um eine robuste Lösung für optimale Leistung in künstlichen Intelligenz (KI)-Modellen zu bieten. Die Veröffentlichung erfolgte auf dem arXiv Preprint-Server.
Zeitreihendaten, die durch kontinuierliche chronologische Datensammlung gekennzeichnet sind, sind in verschiedenen Branchen weit verbreitet, darunter Finanzen, Transport und Gesundheitswesen. Die Datenwanderungen, d.h. Änderungen in externen Faktoren, die die Datenproduktion beeinflussen, stellen jedoch eine erhebliche Hürde dar, um Zeitreihendaten effektiv für KI-Modelle zu nutzen. Professor Kim betonte die entscheidende Notwendigkeit, den schädlichen Auswirkungen von Datenwanderungen auf Zeitreihenlernmodelle entgegenzuwirken und betonte die Dringlichkeit, dieses anhaltende Problem anzugehen, das die optimale Nutzung von Zeitreihendaten in KI-Modellen behindert.
Als Reaktion auf diese Herausforderung hat das Forschungsteam eine neuartige Methodik vorgestellt, die auf Neuronalen Stochastischen Differentialgleichungen (Neural SDEs) beruht, um widerstandsfähige neuronale Netzwerkstrukturen aufzubauen, die dazu in der Lage sind, die Auswirkungen von Datenwanderungen zu mildern. Durch die Implementierung von drei verschiedenen Modellen von Neuronalen SDEs – Langevin-Typ SDE, Linearer Rausch-SDE und Geometrischer SDE – zeigten die Forscher eine stabile und außergewöhnliche Leistung in Interpolation, Vorhersage und Klassifizierungsaufgaben, selbst in Anwesenheit von Datenwanderungen.
Traditionell erforderte das Bewältigen von Datenwanderungen aufwändige und kostspielige technische Anpassungen, um sich an sich ändernde Datenlandschaften anzupassen. Allerdings bietet die Methodik des Teams eine proaktive Lösung, indem sichergestellt wird, dass KI-Modelle von Anfang an gegen Datenwanderungen resistent bleiben, ohne umfangreiche Neulernprozesse durchführen zu müssen. Professor Lim hob die Bedeutung der Studie hervor, um die Widerstandsfähigkeit von Zeitreihen-KI-Modellen gegen dynamische Datenumgebungen zu stärken und damit praktische Anwendungen in verschiedenen Branchen zu ermöglichen. Der Hauptautor YongKyung Oh betonte das Engagement des Teams für die Weiterentwicklung von Technologien zur Überwachung von Datenwanderungen in Zeitreihendaten und zur Rekonstruktion von Daten, um den Weg für eine breite Akzeptanz durch koreanische Unternehmen zu ebnen.