제조 및 센서 기반 인간 활동 인식 등 다양한 분야에서 시계열 데이터는 널리 활용된다. 실제 응용에서는 이러한 데이터가 종종 서로 다른 샘플 길이로 수집되며, 이는 일반적으로 고정 길이 입력을 요구하는 분류 모델에 어려움을 초래할 수 있다. 기존 접근법은 가변 입력 크기를 처리하도록 설계된 모델을 사용하거나, 모델 적용 전에 샘플 길이를 표준화하는 방식에 의존한다. 그러나 우리는 이러한 접근이 데이터 무결성을 훼손하고 궁극적으로 모델 성능을 저하시킬 수 있다고 주장한다. 이 문제를 해결하기 위해 우리는 Time series Into Pixels (TIP)라는 직관적이면서도 강력한 방법을 제안한다. 이 방법은 각 시계열 데이터의 한 점을 2차원 표현에서의 하나의 픽셀로 매핑하며, 여기서 세로축은 시간 스텝을 나타내고 가로축은 각 시점에서의 값을 나타낸다. 백본으로 강력한 비전 모델에 의존하지 않고 표현을 평가하기 위해, 우리는 간단한 LeNet과 유사한 2D CNN 모델을 사용한다. 11개 실제 벤치마크에서 10개의 기준 모델과의 광범위한 평가를 통해 TIP은 정확도에서 2–5% 더 높은 성능을 보였으며, 매크로 평균 정밀도에서는 10–25% 더 높은 성능을 달성한다. 또한 TIP이 복잡한 다변량 데이터에서도 유사한 성능을 보임을 확인했으며, 제거(ablations) 연구를 통해 가변 길이 상황에서 길이 정규화 기법이 야기할 수 있는 잠재적 위험성을 강조한다. 우리는 이 방법이 실제 응용에서 가변 길이 시계열 데이터를 처리하기 위한 데에 의미 있는 진전을 제공할 것이라고 믿는다. 코드는 공개되어 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.