이 블로그 게시물에서는 그래프 뉴럴 네트워크를 사용한 시계열 예측의 새로운 접근 방식을 제시합니다. 개별 시계열에만 초점을 맞춘 기존 방법과 달리, 이 접근 방식은 그래프 구조(예: 관계형 데이터베이스) 내 데이터의 상호 연결성을 활용합니다. 시계열을 그래프의 노드로 표현하고 그래프 트랜스포머와 같은 기법을 사용함으로써 모델은 서로 다른 시계열 간의 관계를 포착하여 더 정확한 예측으로 이어집니다. 또한 회귀 기반 및 생성형 예측 방법을 비교하여 생성형 접근 방식이 고빈도 세부 정보를 포착하고 드문 이벤트를 처리하는 능력의 우수성을 보여줍니다.
더 보기
KumoRFM은 데이터나 작업에 특화된 학습 없이도 광범위한 예측 작업에서 관계형 데이터베이스에 대한 정확한 예측을 수행할 수 있는 획기적인 관계형 기초 모델(RFM)입니다. 데이터베이스를 시간적이고 이종적인 그래프로 변환하고, 테이블 불변 인코딩 방식과 관계형 그래프 변환기를 사용하여 테이블 간의 다중 모드 데이터 추론을 수행합니다. RelBench 벤치마크에서 KumoRFM은 기존의 특징 엔지니어링 및 엔드투엔드 지도 학습 방식을 평균 2~8% 상회하며, 미세 조정 후에는 10~30% 더 향상됩니다. 가장 중요한 것은 KumoRFM이 지도 학습에 의존하는 기존 방식보다 훨씬 빠르며, 실시간 예측을 위한 제로 코드 솔루션을 제공한다는 점입니다.
더 보기
기존 머신러닝은 엔터프라이즈 데이터에서 테이블 간의 복잡한 관계 속에 숨겨진 귀중한 통찰력을 완전히 포착하는 데 어려움을 겪습니다. 관계형 그래프 트랜스포머(RGT)는 관계형 데이터베이스를 상호 연결된 그래프로 처리하여 이 문제를 해결합니다. 이를 통해 광범위한 특징 엔지니어링과 복잡한 데이터 파이프라인이 필요 없어집니다. RGT는 비즈니스 데이터에서 인텔리전스를 추출하는 AI의 효율성과 정확성을 크게 향상시키며 고객 분석, 추천 시스템, 사기 탐지, 수요 예측 등의 애플리케이션에서 큰 가능성을 보여줍니다. 데이터 과학자와 비즈니스 리더 모두에게 강력한 새로운 도구가 됩니다.
더 보기
그래프 데이터는 어디에나 존재하지만, 복잡하고 장거리에 걸친 관계를 활용하는 것은 기계 학습의 과제였습니다. 그래프 뉴럴 네트워크(GNN)는 지역적 패턴을 포착하는 데 뛰어나지만, 전역적 관계에는 어려움을 겪습니다. 여기서 등장한 것이 그래프 트랜스포머입니다. 강력한 자기 주의 메커니즘을 활용하여 각 노드는 그래프 내 어디든지 있는 정보에 직접 접근할 수 있으므로, 더 풍부한 관계와 미묘한 패턴을 포착할 수 있습니다. GNN과 비교하여 그래프 트랜스포머는 장거리 의존성 처리, 과도한 평활화 및 과도한 압축 완화, 그리고 이종 데이터의 더 효율적인 처리에서 이점을 제공합니다. 그래프 트랜스포머는 계산 복잡도가 높지만, 스파스한 어텐션 메커니즘 및 부분 그래프 샘플링과 같은 기술을 통해 대규모 그래프 데이터 세트를 효율적으로 처리할 수 있습니다.
더 보기