시계열 분류는 시간이 흐르며 변화하는 순차 데이터를 분석하여 결과를 예측한다. 시계열 데이터의 복잡성이 증가할수록, 특히 동적 관계가 수반되는 시나리오에서는 기존 모델이 한계에 직면한다. 본 논문은 이러한 문제를 해결하기 위해 지식 증강을 활용한 인코더 기반 트랜스포머 분류 모델을 제안한다. 제안된 모델은 시계열 데이터를 그래프 구조로 전처리하여 복잡한 관계를 효과적으로 학습할 수 있도록 한다. 관계형 어텐션과 시간형 어텐션은 각각 중요한 관계와 시간 지점에 대한 집중도를 높인다. 또한 지식 증강을 통한 상징적 추론은 모델이 복잡하고 암묵적인 정보를 포착할 수 있게 한다. 실험 결과, 제안된 모델은 SC2EGSet과 같은 복잡한 데이터셋에서 기존의 SOTA 모델들보다 우수한 성능을 보였다.

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