शोधकर्ताओं की एक टीम ने डेटा बहाव की चुनौतियों का समाधान करने के लिए डिज़ाइन की गई टाइम सीरीज़ मशीन लर्निंग तकनीक का अनावरण किया है।UNIST में औद्योगिक इंजीनियरिंग विभाग और आर्टिफिशियल इंटेलिजेंस ग्रेजुएट स्कूल के प्रोफेसर सुंगिल किम और प्रोफेसर डोंगयॉन्ग लिम के नेतृत्व में यह अभिनव दृष्टिकोण, वास्तविक दुनिया समय श्रृंखला डेटा में अनियमित नमूना अंतराल और लापता मूल्यों को प्रभावी ढंग से संभालता है, यह सुनिश्चित करने के लिए एक मजबूत समाधान प्रदान करता है।कृत्रिम बुद्धिमत्ता (एआई) मॉडल में इष्टतम प्रदर्शन।

कागज हैप्रकाशितपरarXivप्रीप्रिंट सर्वर.

समय श्रृंखला डेटा, जो निरंतर कालानुक्रमिक डेटा संग्रह की विशेषता है, वित्त, परिवहन और स्वास्थ्य देखभाल जैसे विभिन्न उद्योगों में प्रचलित है।हालाँकि, डेटा बहाव की उपस्थिति - डेटा उत्पादन को प्रभावित करने वाले बाहरी कारकों में परिवर्तन - एआई मॉडल में समय श्रृंखला डेटा का प्रभावी ढंग से लाभ उठाने में एक महत्वपूर्ण बाधा प्रस्तुत करता है।

प्रोफेसर किम ने डेटा के हानिकारक प्रभावों से निपटने की महत्वपूर्ण आवश्यकता पर जोर दियाअभिप्रायसमय श्रृंखला सीखने के मॉडल पर, एआई मॉडल में समय श्रृंखला डेटा के इष्टतम उपयोग में बाधा डालने वाले इस लगातार मुद्दे को संबोधित करने की तात्कालिकता पर जोर दिया गया।

इस चुनौती के जवाब में, अनुसंधान टीम ने लचीले तंत्रिका नेटवर्क संरचनाओं का निर्माण करने के लिए न्यूरल स्टोचैस्टिक डिफरेंशियल इक्वेशन (न्यूरल एसडीई) का लाभ उठाते हुए एक नई पद्धति पेश की है, जो डेटा बहाव के प्रभावों को कम करने में सक्षम है।

न्यूरल एसडीई, न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन (ओडीई) का विस्तार, अवशिष्ट तंत्रिका नेटवर्क मॉडल के निरंतर संस्करणों का प्रतिनिधित्व करता है और टीम के अभिनव दृष्टिकोण की आधारशिला बनाता है।तीन अलग-अलग तंत्रिका एसडीई मॉडल - लैंग्विन-प्रकार एसडीई, रैखिक शोर एसडीई, और ज्यामितीय एसडीई - के कार्यान्वयन के माध्यम से शोधकर्ताओं ने डेटा बहाव की उपस्थिति में भी इंटरपोलेशन, भविष्यवाणी और वर्गीकरण कार्यों में स्थिर और असाधारण प्रदर्शन का प्रदर्शन किया।

परंपरागत रूप से, डेटा बहाव को संबोधित करने के लिए उभरते डेटा परिदृश्यों के अनुकूल श्रम-गहन और महंगे इंजीनियरिंग समायोजन की आवश्यकता होती है।हालाँकि, टीम की कार्यप्रणाली यह सुनिश्चित करके एक सक्रिय समाधान प्रदान करती है कि एआई मॉडल शुरू से ही डेटा बहाव के प्रति लचीले बने रहें, जिससे व्यापक पुनः सीखने की प्रक्रियाओं की आवश्यकता समाप्त हो जाए।

प्रोफेसर लिम ने गतिशील डेटा वातावरण के खिलाफ समय श्रृंखला एआई मॉडल की लचीलापन को मजबूत करने में अध्ययन के महत्व को रेखांकित किया, जिससे विभिन्न उद्योगों में व्यावहारिक अनुप्रयोगों को सक्षम किया जा सके।प्रमुख लेखक योंगक्यूंग ओह ने निगरानी के लिए उन्नत प्रौद्योगिकियों के प्रति टीम के समर्पण पर प्रकाश डालासमय श्रृंखला डेटाडेटा का बहाव और पुनर्निर्माण, कोरियाई उद्यमों द्वारा व्यापक रूप से अपनाने का मार्ग प्रशस्त करता है।

इस शोध को इंटरनेशनल कॉन्फ्रेंस ऑन लर्निंग रिप्रेजेंटेशन (आईसीएलआर) में शीर्ष 5% स्पॉटलाइट पेपर के रूप में मान्यता दी गई है, और यह एआई और डेटा विज्ञान के क्षेत्र में संभावित महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।