시계열 표현·특징학습과 데이터 통합 플랫폼 연구

Time-series Representation/Feature Learning and Data Integration Platforms

연구 내용

시계열 표현을 효율적으로 학습하는 방법과 특징 인지 학습 구조를 개발하고, 파편화된 데이터를 통합하는 플랫폼 기술을 함께 연구

시계열 데이터에서 예측과 이상탐지에 공통으로 활용 가능한 표현을 만들기 위해 multi-task self-supervised learning과 특징 인지(feature-aware) 학습 구조를 연구합니다. FEAT와 같은 프레임워크를 통해 중요한 특징을 선별하는 학습 구성을 정립하고, 다양한 시간 해상도의 패턴을 결합하는 granularity fusion 구조로 예측 성능을 개선합니다. 더불어 파편화된 이종 도메인 시계열 데이터를 통합·처리하기 위한 애널리틱스 플랫폼과 자동 레이블링 기반 데이터 구축을 수행하여, 모델 학습과 운영을 연결하는 데이터 파이프라인을 구현합니다.

관련 프로젝트

6건

연구 흐름

초기에는 라벨 의존을 낮추기 위해 self-supervised 기반 multi-task time-series representation learning을 통해 범용 표현을 학습하는 방향으로 연구를 진행했습니다. 이후 특징 중요도에 기반한 feature-aware multivariate time-series representation learning 프레임워크로 확장하여 학습 신호를 체계화했으며, 서로 다른 시간 단위 정보를 함께 사용하는 granularity fusion Transformer를 적용해 예측 모듈로 구체화했습니다. 병행해서 파편화된 이종 도메인 데이터를 통합하는 시계열 기반 플랫폼 연구를 수행해 학습 데이터의 품질 관리와 처리 흐름을 정립했습니다. 최근에는 기후환경 데이터 구축과 자동 데이터 레이블링, 멀티모달 데이터 AI 연계로 확장하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

시계열 표현 학습 파이프라인
특징 인지 기반 데이터 전처리
시간 해상도 다중패턴 예측
이종 도메인 시계열 통합
파편화 데이터 정합 처리
자동 레이블링 워크플로
멀티모달 데이터 구축 운영
도메인 전이 학습 지원
통합 애널리틱스 플랫폼 구현
기후·환경 데이터 분석 자동화