논문 리뷰

최첨단 딥러닝 모델은 Trend, Seasonal, Residual과 같은 요소들을 고려하지 못하는 경우가 많고, 단순한 모델과의 실험적 비교에서도 성능이 예상하는 바보다 우수하지 못함LLaMA 및 CLIP 등 NLP 및 CV에서 부상하는 파운데이션 모델의 활용은 시계

탐지, 진단, 조치 등 인시던트 관리의 다양한 행동 요소들을 AIOps 기술을 통해 자동화하고 있지만, 그 근본 원인과 조치를 파악하는 데는 여전히 온-콜 엔지니어가 많은 시간을 들여 직접 수행하고 있음GPT-3.x와 같은 대규모 언어 모델을 사용하여 과거 인시던트 데

Introduction 기존의 LLM 기반 Multivariate Time Series Forecasting(MTSF) 방법은 일반적으로 텍스트 입력 토큰과 시간 입력 토큰 간의 분포 불일치를 무시한 채 LLM을 미세 조정하기 때문에 파운데이션 모델의 잠재 성능을 충분

라벨링된 이상탐지 데이터는 그 수가 적고 확보가 어렵기 때문에 비지도 학습 기반 이상탐지가 주목받고 있으나, 이 또한 많은 데이터를 필요로 함이에 이미 대규모 데이터셋에서 사전 학습된 LLM을 교사 네트워크로 사용하여 학생 네트워크가 교사 네트워크의 출력을 모방하도록

Introduction LLM을 Time-series에 맞추어 Fine-tuning하는데는 많은 데이터가 필요하고, 도메인 어그노스틱한 모델을 개발하기가 어려움 Time-series를 텍스트로 취급하거나 Multivariate Time-series를 Univariate

Introduction 데이터셋 규모의 부족과 확장 가능한 Pre-Training 기법에 관한 연구 부족으로 시계열 도메인에서 파운데이션 모델을 활용하고자 하는 시도는 자연어나 이미지 도메인에 비해 제한되어 왔음 autotime_comparison 또한 시계열 도메인에

Introduction RelevantPassage를 잘 Retrieve 해왔을지라도, 정답에 방해가 되는 (Distracting) 문장들이 존재할 수 있음 일반적으로 정답을 생성하기 위해 필요한 정보는 Passage 중 일부에 존재 Method Query와 관련된