이번 세미나에서는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 라는 논문을 다루었습니다. 이 논문에서 해결하고자 하는 문제는 time-series forecasting에서 발생하는 distribution shift 문제입니다. 이는 input-space와 output-space의 분포가 시간에 따라 변화하는 등의 이유로 분포가 변화하는 것을 의미하며 time-series forecasting의 성능을 저하시키는 주요 요인 중 하나입니다. 이 문제를 해결하기 위해 Dish-TS는 입력 시퀀스를 학습 가능한 distribution coefficients로 매핑하는 CONET을 도입합니다. CONET은 어떤 신경망 구조에도 사용될 수 있으며 input-space와 output-space의 분포를 각각 학습합니다. 실험결과에서 모델 종류와 상관없이 안정적으로 성능이 향상되었다는 점이 인상적이었습니다. 발표에서 수식을 통해 자세히 방법론을 설명해주셔서 깊게 이해할 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting를 주제로 진행되었습니다. 본 논문은 time series forecasting task를 다루고 있으며, 시계열 과업에서 문제되고 있는 distribution shift를 해결하는데 중점을 두고 있습니다. distribution shift는 시간에 따라 분포가 변화하는 즉 정상성을 띄지 않는 시계열로 인해 예측 성능이 낮게 되는 문제를 의미합니다. 본 논문에서는 이러한 distribution shift 문제를 해결하기 위해서 input space 내의 intra-space shift와 output space와의 inter-space shift를 해소하고자 하였습니다. 제안하는 Dual-CONET은 RevIN과 동일하게 normalize, de-normalize 과정으로 진행되어 model과 상관 없이 이용 가능하다는 특징이 있습니다. Dual-CONET은 Backconet과 Horiconet으로 구성되어 있는데 backconet은 input의 distribution 근사를, horiconet은 output distribution의 예측을 목표로 하고 있습니다. 각 conet에서 전반적인 scale를 조정하는 level coefficent와 fluctuation scale를 조정하는 scaling coefficient 두가지를 구하여 backconet에서는 input의 스케일을 조정하고 스케일이 조정된 미래값을 예측한 후에 horiconet에서의 coefficient를 통해 미래 값의 스케일로 재조정하는 과정을 거치게 됩니다. Distribution shift를 해결하고자 하는 방법론에 대해서 흥미로운 접근법이었던 것 같습니다. 하지만 해당 방법이 intra-space shift를 어떻게 다룰 수 있는지에 대해서는 정확하게 와닿기는 어려웠던 것 같습니다. 좋은 발표 감사합니다.

이번 세미나에서는 time series forecasting의 distribution shift 문제를 다루는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 이라는 논문을 주제로 진행되었습니다. 이 논문에서는 주로 input-space 내 분포 변화인 intra-space shift와 input-space와 output-space 사이의 분포 변화인 inter-space shift를 해결하기 위한 기법을 제안합니다. 본 논문의 핵심 아이디어는 학습 가능한 distribution coefficients를 이용한 CONET을 도입하는 것이며, 이를 통해 각 공간의 분포를 모델링합니다. 이에 따라, 정규화와 역정규화 과정을 통해 분포 변화에 따른 성능 저하를 줄이는 것을 목표로 합니다. 실험 결과를 통해 다양한 모델에서 안정적인 성능 향상이 확인되었으며, model agnostic한 특성 덕분에 후속 연구에도 큰 도움이 될 것으로 기대됩니다. 발표자분께서 설명과정에서도 상세한 자료와 예제를 들어주시며 이해를 쉽게 도와주셨습니다. 좋은 발표 감사합니다.

이번 세미나에서는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 논문을 다루어 주셨습니다. 본 발표에 앞서 background 부분에서 time-series 데이터의 특성, Dish-TS와 유사하게 2-stage 구조로 이루어진 RevIn을 다루어 주셔서 이해에 많은 도움이 되었습니다. Dish-TS에서는 distribution shift를 입력 공간 내에서 발생하는 intra-space shift와 입력 공간 및 출력 공간 사이에서 발생하는 inter-space shift로 세분화하여 정의하고 있습니다. 더 구체적으로 보자면, intra-space shift는 look-back window 내에서 발생하는 shift이며, inter-space shift는 look-back window와 horizon window 사이에서 발생하는 shift입니다. Dish-TS는 학습 가능한 coefficient를 이용하여 분포를 제어하는 네트워크인 CONET과 intra-및 inter-space shift를 모두 고려하는 양방향의 Dual-CONET로 구성되어 있으며, normalize 및 de-normalize의 2-stage 구조라고 할 수 있습니다. Dish-TS에서는 input-space와 output-space의 분포 차이를 포착하기 위해 Dual-CONET을 이용하고 있는데, 이는 BackCONET과 HoriCONET입니다. BackCONET에서는 input의 분포를 근사시키고 있으며, HoriCONET에서는 output 분포 예측을 목표로 하고 있습니다. 실험 결과 부분에 있어 Dish-TS의 경우 기존 forecasting 모델들을 backbone 모델로 이용함으로써 일반 모델들보다 Dish-TS를 적용한 모델이 여러 데이터셋에서 큰 개선이 이루어짐을 확인하였습니다. 좋은 발표 감사합니다!

본 세미나는 박진우 발표자님께서 "Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting"라는 논문을 바탕으로 진행되었습니다. 특히 해당 연구는 Time-Series Forecsting task에서 시간에 따라 분포가 변화하는 Distribution shift를 Learnable한 coefficient를 이용하여 분포를 제어하는 CONET을 제안하여, Intra/Inter-space shift를 모두 고려하는 양방향의 Dual-CONET까지 제시하였습니다. 해당 논문에서 핵심이라고 느꼈던 부분은 두 가지 입니다. 먼저 첫 번째 Distribution shift를 단순 통계랑(평균, 분산) 또는 Distance function으로 완화하는 것이 아니라 Learnable한 Parameter coefficient를 활용하여 학습 가능하게 update 했다는 점이 핵심이라고 느꼈습니다. 두 번째는 Intra-space shift와 Inter-space shit를 제어하기 위한 2가지 CONET(HORICONET, Dual-CONET)을 제안하여 완화했다는 점이 기존 문제점을 정확히 간파했다고 생각하였습니다. Time-series forecasting에서 요즘 어떤 연구가 이뤄지고 있는지 궁금했는데, 관련해서 세미나 준비해주셔서 정말 좋았습니다. 좋은 발표 준비해주셔서 감사합니다.

해당 세미나는 “Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting”로 진행되었습니다. 시계열 데이터는 non-stationary 특징을 가진 경우가 많으며, distribution shift로 인하여 forecasting 혹은 generation 성능이 낮아지는 현상이 관찰되었습니다. 시간에 따른 분포 변화를 잘 관측하는 것이 중요하며, 해당 논문에서는 입력 공간 내에서 intra-space shift와 입력공간과 출력 공간의 inter-space shift로 세분화하여 보완하는 방법론을 제안하였습니다. learnable coefficient를 이용하여 분포를 제어하는 Network CONET을 제안하였고, intra-,inter-를 모두 다루기 위해 양방향 구조인 dual CONET을 제안했습니다. background에서 설명된 RevIN 또한 distribution shift를 보완하기 위해 제안된 방법입니다. RevIN은 데이터 불균형으로 야기된 distribution shift를 다루기 위해 인스턴스 정규화를 하여 예측 모델에 입력하고, 출력된 예측값을 de-normalization을 통해 원래 분포로 복원하는 방법입니다. Revin은 통계적 특성을 이용하여 조정하지만, Dish-TS는 CONET을 통해서 학습 가능한 coefficient을 이용합니다. 따라서 Revin은 예측 시점의 데이터의 평균과 분산을 알고 있다 가정하에 제안된 방법이지만, Dish-TS는 예측 시점의 평균과 분산을 모른다고 가정하고 예측합니다. 해당 세미나를 통해 다시 한번 distribution shift 해결의 중요성에 대해 생각해보게 되었습니다. 좋은 발표 감사합니다.

이번 세미나는 시계열 예측 과업을 위한 방법론을 제안한 논문 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting을 주제로 진행되었습니다. 시계열 데이터에서 시간에 따른 분포의 변화로 발생하는 distribution shift는 성능 저하의 주요한 요인으로 지적되고 있습니다. 연구실 세미나에서도 종종 다뤄졌던 문제인만큼 시계열 예측 과업에서도 이를 해결하기 위한 방법론이 제안되고 있습니다. 본 논문에서 제안하는 Dish-TS는 distribution shift를 입력 공간의 intra-space shift와 입력 공간과 출력 공간 사이에서 발생하는 inter-space shift로 구분합니다. 또한, 학습 가능한 파라미터 coefficient를 활용하여 분포를 제어하는 CONET를 제안하였습니다. 구체적으로, intra-space shift를 제어하기 위한 BACKCONET과 inter-space shift를 제어하기 위한 HORICONET을 함께 활용하는 Dual-CONET 구조를 통해 전범위적인 shift 완화를 도모하였습니다. 다소 복잡한 구조였음에도 발표자분께서 친절하고 자세히 설명해주셔서 이해하는데 큰 도움이 되었습니다. 유익한 세미나 진행해주셔서 감사합니다.

본 세미나에서는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 라는 주제의 논문에 대한 리뷰를 진행하였습니다. 논문의 부제에서 알 수 있듯이, Time series forecasting task에서 발생하는 distribution shift에 대한 문제를 제기하며 출발한 논문입니다. Distribution shift를 Intra-, inter-space shift로 구별하여 체계화하였고, 각 shift에 대한 완화를 위해 CONET 이라는 frame work를 제안하였습니다. CONET은 단순히 distance function을 사용한 구조가 아닌, learnable parameter coefficient를 활용하였습니다. 구체적으로 intra-space shift의 제어를 위해 BACKCONET, inter-space shift의 제어를 위해 HORICONET을 사용하였습니다. 이러한 CONET framework는 기존 Time series forecasting 방법론들에 model-agnostic하게 적용 가능한 방법론으로, 실제 본 논문에서 다뤘던 baseline 모델들에 적용하였을 때 모두 성능 향상을 이룸을 확인할 수 있었습니다. Time series forecasting 문제에서 발생하는 long-term에 대한 예측 저하의 원인 중 가장 큰 이유로 뽑고 있는 distribution shift에 대해 좋은 해결방안을 제시한 연구라고 생각합니다. 특히 기존 모델들에 적용할 수 있는 add-on 방식으로 framework가 구성되어 있어서, 적용 가능성도 굉장히 높다고 생각합니다. 좋은 발표 감사합니다!

이번 세미나에서는 Time series forecasting 과업에서의 distribution shift 문제를 다루고 있는 “Dish-TS : A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting” 에 대해 다뤄주셨습니다. 해당 논문에서는 Distribution shift를 해결 하기 위해 통계량이나 Distance function을 사용했던 이전 방법론들과 달리 Learnable 한 Parameter인 Coefficient를 이용하는 CONET을 제안합니다. 이 때 CONET은 Intra-space shift와 Inter-space shift를 담당하는 BACKCONET과 HORICONET으로 나뉘며 이를 함께 이용하는 Dual-CONET을 통해 전체적인 Distribution shift 완화를 합니다. 진행하고 있는 개인 연구에서도 Distribution shift를 다루고 있어서, Distribution shift에 대한 정의와 해결 방법을 어떻게 고안하고 있는지 더 눈여겨 본 것 같습니다. 좋은 발표 감사합니다.!

이번 세미나에서는 “Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting”이라는 연구를 소개해주셨습니다. 해당 논문은 시계열 데이터에서 시간에 따라 분포가 변화하여 발생하는 Distribution Shift 문제를 다룬 시계열 예측 방법론을 제안했습니다. Distribution Shift를 Input Space 상에서 발생하는 Intra-shift와 Input 및 Output Space 상에서 발생하는 Inter-space Shift로 세분화하였습니다. 시계열에서 Distribution Shift 문제를 다룬 기존 방법론들은 관측 데이터로부터 경험적으로 얻은 고정된 통계량을 기반으로 시계열 데이터의 분포를 Normalize 및 Rescaling하는 접근법을 취했습니다. 그러나 동일 시계열 데이터 내에서 다른 빈도로 샘플링할 경우 서로 다른 통계량을 나타내기에 어떤 경우가 Ground-truth Distribution을 반영하는지를 알기 어렵다는 한계가 존재했습니다. 또한 Input Space 상에서 발생하는 Shift만 고려하고 Inter-space Shift는 반영하지 않아 Look-back Window와 Horizon Window 사이에 존재하는 분포 차이를 고려하지 않는다는 한계 또한 존재했습니다. 해당 논문에서는 연구자의 Domain Knowledge를 기반으로 설정된 고정된 통계량을 사용하는 것이 아니라, Learnable한 Conefficient를 이용해 분포를 제어하는 CONET을 제안했습니다. 또한 Intra-space Shift를 제어하기 위한 BACKCONET과 Inter-space Shift를 제어하기 위한 HORICONET을 함께 이용해 Distribution Shift를 완화하는 Dual-CONET도 제안했습니다. Intra-shift 및 Inter-shift에 대해서 처음에는 어떤 용어인지 이해하기 어려웠는데, 발표자 분의 친절한 설명 덕분에 이해에 많은 도움이 되었습니다. 추가적으로 발표자 분의 발표 자료 구성 능력이 점점 더 발전되는 것이 보여 앞으로의 세미나도 많은 기대가 됩니다. 좋은 발표 감사드립니다.

이번 세미나는 시계열 데이터를 이용한 Time Series Forecasting(TSF)이 주제로 다루어졌습니다. 그중에서도 시간의 흐름에 따른 데이터 분포 변화(Distribution Shift)에 초점을 맞추어 이를 해결할 수 있는 연구에 대해 소개되었습니다. Dish-TS 라는 방법론으로 입력 공간에서 발생하는 변동인 Intra-space shift와 입력공간과 출력공간 사이에서 발생하는 변동인 Inter-space shift를 정의하여 각 문제를 해결하고 있습니다. TSF는 결국 이전 시점들(look back window)로부터 예측의 대상이 되는 시점들(horizon window) 만큼 예측을 실시하는 것으로 look back window의 정량적 특성 혹은 고정적 특성을 직접 활용하는 것이 아닌 coefficient를 이용하여 각 종 scaling을 진행할 수 있도록 하는 것이 핵심입니다. 이를 CONET이라 명명하여 Inter-shift를 위한 HORICONET과 Intra-shift를 위한 BACKCONET을 이용하여 데이터를 정규화(Normalize) 해줍니다. 정규화된 데이터를 이용해 다시 De-Normalize를 통해 실제 예측값을 도출하는 방식이 Dish-TS의 흐름입니다. 결국 Dish-TS는 하나의 테크닉으로써 여러가지 모델에 적용할 수 있습니다. 본 논문의 실험도 세 가지의 서로 다른 모델에 Dish-TS의 적용 유무를 비교를 진행하였고 그 결과 단변량 및 다변량 데이터셋에서 모두 Dish-TS의 적용 시 성능의 개선을 보였습니다. 본 기법을 현실 데이터에 적용했을 때의 결과가 특별히 궁금하고 기대가 됩니다. 많은 현실 속 시계열 데이터에서 분포의 변동이 큰 이슈가 되는 경우가 있기에 과연 본 기법의 적용이 현실 데이터에서도 효과가 있을지 확인할 수 있는 기회가 있으면 좋을 듯합니다. 재미있는 발표 잘 들었습니다. 감사합니다.

이번 세미나에서는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting에 대해 소개해주셨습니다. Dish-TS는 동일한 series에서도 서로 다른 주기의 차이로 정확한 true distribution을 파악하기 어려운 distribution shift의 문제를 해결하기 위해 고안된 방법론입니다. 해당 방법론에서는 distribution shift를 intra-space shift와 inter-space shift 두 가지로 나누어 정의하고 있으며, 이를 바탕으로 Dual-CONET이라는 양방향의 network를 제안합니다. Dual-CONET은 input과 output의 distribution 차이를 잘 파악하기 위한 방법으로, BACKCONET은 intra-space의 shift, HORICONET은 inter-space shift를 제어하게 됩니다. Dish-TS는 기본적으로 backbone model을 기존 forecasting 방법론들을 활용하고 있습니다. 이에 따라, 다른 여러 모델들에 적용해볼 수 있는 활용도가 있는 방법이 아닐까 생각합니다. 항상 time series data의 특성과 forecasting의 의미, 이외 논문 이해에 필요한 background를 잘 정리해주셔서 이제는 조금 time series 분야에 덜 낯설게 된 것 같습니다. 이번 세미나 또한 Distribution shift의 개념부터 차근히 설명해주셔서 이해 도움이 되었습니다. 좋은 발표 준비해주셔서 감사드립니다.

이번 세미나는 Distribution Shift를 input 내와 input-output 간의 관계로 나누어 모델링을 시도한 "Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting"을 주제로 이루어졌습니다. 대부분의 도메인에서 distribution shift는 중요한 문제이지만, 시계열 데이터는 특히 동일 도메인 내부에서도 추세와 계절성 등의 요인으로 distribution shift가 미시적/거시적으로 발생하는 특징을 가지고 있고, 이를 해결하기 위해 전통적인 통계 기반의 방법론은 차분 등의 전처리 기법을 도입하고 있습니다. 해당 논문에서는 이러한 특징을 input 내의 다른 window 간에 발생하는 intra-space shift와 input과 output 간에 발생하는 inter-space shift로 구분하고, 이를 직접 모델에 반영하여 forecasting 태스크를 수행하고 있습니다. 특히 단순한 평균/분산 등의 정량적인 distribution quantification을 이용하는 것은 신뢰성이 낮다는 점을 지적하면서 distribution shift를 모델에 반영한 Dual-Conet 구조를 제안하고 있습니다. 해당 모델 구조는 Input 내 Coefficient와 Input 전체의 Coefficient를 모델이 예측하고, 예측된 값을 이용하여 Distribution의 Scale을 조정하는데 직접 이용합니다. 모델 구조가 다소 복잡해보일 수 있으나, Layer Norm의 개념과 비슷한 내용을 모델을 더 깊게 쌓아 수행한 것으로 보이며, 이러한 Model-Agnostic한 구조가 실제로 성능 개선에 도움이 되는 모습을 보이고 있습니다. 시계열 데이터의 Pretrained Model 연구가 지지부진한 이유나, 일반화가 힘든 이유 모두 데이터마다 다른 Distribution에 있다고 생각하는데, 점차 이러한 bottleneck을 해결하고자 하는 시도가 눈에 띄고 있는 것 같습니다. 좋은 발표 감사드립니다.

금일 세미나는 "Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting"라는 주제로 진행되었습니다. 본 발표에서는 Time-series Forecasting에서 발생하는 Distribution Shift를 해결한 새로운 방법론 DishTS가 소개되었습니다. DishTS는 Distribution Shift를 입력 공간 내에서 발생하는 Intra-space shift와 입력 공간 및 출력 공간 사이에서 발생하는 Inter-space shift로 세분화하고, 이러한 문제를 해결하기 위한 세부 구조인 CONET과 Dual-CONET을 제안하는 과정을 통해 Distribution Shift 문제를 해결하였습니다. 개인적으로 output distribution을 예측하는 과정을 통해 inter-space shift 문제를 해결하는 HORICONET이 인상적이었습니다. 반면, 시계열 데이터의 경우 데이터가 충분하지 않은 경우가 많기 때문에 intra-space shift 문제의 경우 BACKCONET과 같은 추가적인 파라미터를 도입하는 것 보다는 instance normalization 같은 간단한 방법을 도입하는 것이 더 효과적이지 않을까하는 생각이 들었습니다. 전반적으로 문제를 파악하고 해결하는 과정이 체계적인 논문일는 생각도 들었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 논문을 소개해 주셨습니다. 본 논문은 TS Forecasting Task에서 발생하는 학습 단계와 추론 단계의 Distribution Shift를 해결하는 것을 목적으로 Learnable한 Parameter인 Coefficient를 이용하는 CONET 제안 하였습니다. 특히 Intra-space shift를 위해 BACKCONET, Inter-space shift를 제어하기 위해 HORICONET을 활용하는 Dual-CONET을 제안합니다. 기존 다수의 연구에서는 해당하는 shift를 해결하기 위해 단순한 통계량이나 Distance 기반의 접근을 한 것과는 다르게 학습 가능한 parameter를 적용한 것이 인상 적이었습니다. 이와 같은 distribution shitt 연구는 모든 분야에서 중요하지만 특히 long term Time Series Forecasting 분야에서 효과적으로 사용될 수 있을 것 같습니다. 동일한 분야를 다루는 선행 연구를 함께 소개해 주셔서 더 이해하기 편했습니다. 좋은 발표 감사합니다.

이번 세미나는 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 논문에 대해서 소개해주셨습니다. 해당 논문은 time series 에서 distribution shift에 대한 연구입니다. 이전 연구실에서 이번에 졸업하는 김요진 석사과정의 세미나를 통해서 RevIN을 알게되었는데 이번 논문에서 RevIN을 함께 언급하며 보다 개선된 방법을 제안하였습니다. 본 논문에서 제안한 방법은 입력 차원 내에서 발생하는 intra space shift와 입력과 출력 간에 발생하는 inter space shift를 나누어 다루었습니다. 논문에서는 Distribution shift를 통계량 또는 Distance function으로 완화하는 것이 아닌, Learnable한 Parameter인 Coefficient를 이용하는 CONET 제안하였습니다. Distribution shift에 대해서는 항상 중요한 문제라고 생각하고 현실적으로 많이 접하는 문제점이기 때문에 되도록 관련 연구를 많이 보고자하는데 세미나를 통해 소개받을 수 있어서 좋았습니다. 좋은 발표 감사합니다.

이번 세미나에선 Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting 라는 연구에 대해 소개되었습니다. Time-series Forecasting task에서 Distribution shift를 완화하고자 한 연구들은 세미나 주제로 몇차례 다뤄진적이 있는데 이번 연구는 Intra-space shift와 Inter-space shift를 구분하고 이들 각각을 제어하기 위한 method를 제안하고 있습니다. 제안 방법론은 Dish-TS이며 distribution shift를 완화하기 위해 주로 사용되는 통계량이나 distance function을 사용하는 것이 아닌 learnable parameter를 사용하는 CONET구조를 기반으로 합니다. Intra-space shift와 Inter-space shift에 대한 구분된 방법론으론 BACKCONET과 HORICONET이 제안되는데, distribution shift라는 문제를 세분화하고 각각에 대한 해결책을 제시한 점이 인상적인 연구였습니다. 좋은 세미나 발표 감사드리며, 개인 연구에서도 성과가 있으시길 바랍니다.

금일 세미나 시간에는 Time Series Forecasting 도메인에서 어려운 문제 중 하나인 distribution shift를 제어하고자 한 “Dish-TS: TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting” 논문을 주제로 세미나를 진행하였습니다. 해당 논문에서는 저자들이 크게 두가지 카테고리로 나누었는데, 입력공간 내에서 distribution shift가 발생하는 distribution shift를 intra-space shift로 정의하였으며, 입력공간과 출력 공간 사이에 발생하는 distribution shift를 inter-space shift로 정의하였습니다. 저자들은 기존 TSF연구들에서 distribution shift를 동일하게 가정하고 statistical 특성을 공유한다는 점을 지적하여 dual-CONET을 제안하였습니다. 여기서 활용되는 CONET은 단순 distribution shift를 평균이나 분산 같은 통계량이 아닌 Coefficient를 활용하여 전반적인 scale과 fluctuation을 제어하고자 하였습니다. 이러한 Conet을 통해 Dish-TS에서는 forecasting에 앞서서 normalizing을 수행하고 forecasting 후에는 denormalizing하는 과정을 거쳐 예측을 수행하게 됩니다. 추가적으로 과거 시점으로부터 예측 시점의 distribution을 추론해야 하는 HoriConet에서는 “mean of Horizon”과 같은 사전 지식 정보를 학습과정에서 soft target으로 활용하는 학습전략을 취하여 원할한 학습을 도모하였습니다. 개인적으로는 이번 세미나를 통해서 Time Series Forecasting에서의 distribution shift 문제에 대해서 많이 알아가는 뜻깊은 세미나였고, 소개해준 방법론이 model agnostic한 방법론이기에 계속적으로 후속연구에 좋은 가이드라인이 될 수 있을것 같다는 생각이 들었습니다. 마지막으로, 방법론을 설명하는 과정에서 논문에서의 그림이외의 자료를 직접 제작해서까지 친절하게 세미나를 준비한 발표자에게 감사의 말 전합니다.