쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 30일 (금)까지 3636건
11건 · "시계열"조건 지우기 ×
001 06:11 ▲ 11 · 댓글 1 시계열 재단 모델 'Timestral' 공개, 벤치마크 최강 성능 허깅페이스가 시계열 확률 예측을 위한 파운데이션 모델 Timestral 4가지를 발표했다: 5M, 28M, 123M, 209M 파라미터 규모. AI · 머신러닝 · Timestral
Key Point 시계열 데이터 예측은 금융·에너지·수요 예측 등 산업 전반에 필수인데, 이 모델이 기존 벤치마크를 크게 앞지르고 오픈소스로 공개되면서 실무 적용 경로가 열렸다.
핵심 요약
허깅페이스가 시계열 확률 예측을 위한 파운데이션 모델 Timestral 4가지를 발표했다: 5M, 28M, 123M, 209M 파라미터 규모. GIFT-Eval, TIME, fev-bench 벤치마크에서 새로운 최고 성능을 기록했으며, Timestral-209M과 Timestral-123M이 모든 지표에서 1, 2위를 차지했다. Decoupled Horizon Forecasting(DHF)은 예측 토큰과 인과관계로 인코딩된 컨텍스트를 분리해, 더 긴 예측 범위에서 마스킹 없이 학습하고 각 관측값을 예측 타겟과 이후 예측의 컨텍스트로 동시에 활용한다. 전체 요약 6문장 읽기 → 002 21:12 ▲ 114 · 댓글 47 로마 제국의 1469개 전투를 한눈에 보는 인터랙티브 지도 로마 건국부터 동로마 제국 멸망까지 1469개의 전투 기록을 인터랙티브 지도로 시각화한 프로젝트다. 기타 · Where the Romans Fought (interactive map)
Key Point 로마 역사 2000년을 데이터 기반으로 시각화한 대규모 학술 프로젝트로, 개발자·역사가·데이터 시각화에 관심 있는 사람들이 참고할 만한 복잡한 시계열 데이터 표현 방식을 보여준다.
핵심 요약
로마 건국부터 동로마 제국 멸망까지 1469개의 전투 기록을 인터랙티브 지도로 시각화한 프로젝트다. 연도 슬라이더로 특정 시기를 선택하면 해당 기간의 전투들을 확인할 수 있으며, 자동 재생으로 로마 건국부터 순서대로 볼 수 있다. 각 점의 크기는 그 지역의 전투 수를 나타내고, 파이 차트처럼 표시된 조각들은 상대방 세력을 시계방향으로 보여준다. 전체 요약 12문장 읽기 → 003 03:11 ▲ 26 · 댓글 1 LLM이 정량 트레이딩 전략을 실제로 만들 수 있을까 정량 트레이딩 연구는 가설 제안→신호 구현→역사 데이터 검증→전략 확정의 반복 루프인데, 기존 벤치마크는 공식이나 코드 개별 거래 결정만 평가해왔다. AI · 머신러닝 · Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research
Key Point 현재 최고 수준의 LLM들도 실제 시장 데이터에서 시계열 검증을 통과하는 거래 전략을 만들지 못하는 것으로 나타났으며, 이는 생성형 AI의 금융 적용 한계를 보여준다.
핵심 요약
정량 트레이딩 연구는 가설 제안→신호 구현→역사 데이터 검증→전략 확정의 반복 루프인데, 기존 벤치마크는 공식이나 코드 개별 거래 결정만 평가해왔다. Quant-Arena은 중국 A주 실제 시장 데이터로 LLM이 전체 루프를 완성하고 연구 기간 이후에도 작동하는 전략을 만들 수 있는지 측정하는 벤치마크와 공개 리더보드다. 모델은 특성과 주식 스코어링 코드를 구성하고, 2022~2023년 데이터로만 피드백을 받은 뒤, 폐쇄된 2024년 데이터로 평가받을 하나의 전략을 확정한다. 전체 요약 7문장 읽기 → 004 00:11 ▲ 254 · 댓글 45 Mistral, 시계열 예측 파운데이션 모델 Timestral 공개 Mistral이 시계열 데이터 예측을 위한 첫 파운데이션 모델 Timestral을 공개했다. AI · 머신러닝 · Timestral: Mistral release time-series foundation models
Key Point 시계열 데이터는 기업의 센서·관찰성 메트릭부터 재무 수치까지 매우 광범위하게 쓰이는데, 이전에 도메인별로 처음부터 학습해야 했던 방식을 벗어나 사전학습된 기초 모델으로 적응형 예측이 가능해진다.
핵심 요약
Mistral이 시계열 데이터 예측을 위한 첫 파운데이션 모델 Timestral을 공개했다. 최대 크기 모델은 2억 9천만 개 파라미터로, GIFT-Eval, TIME, fev-bench 세 가지 주요 벤치마크에서 1위를 차지했으며 이전 최고 기록보다 파라미터 수는 2/3 수준이다. 5백만부터 2억 9천만 개 파라미터까지 4가지 크기로 출시되며, 각 크기별로 정확도와 모델 크기의 파레토 프런티어에 위치한다. 전체 요약 11문장 읽기 → 005 03:11 ▲ 120 · 댓글 22 역함수 없는 데이터에도 쓰는 슬라이딩 윈도우 집계 알고리즘 슬라이딩 윈도우에서 합계·최댓값 같은 집계를 유지하려면, 합계처럼 역함수가 있는 연산은 deque로 쉽게 구현할 수 있지만 최솟값·최댓값·분위수·근삿값 중복 제거 등 대부분의 실용적인 연산은 역함수가 없어 다른 방식이 필요하다. 오픈소스 · 도구 · Two-Stack Sliding-Window Aggregation
Key Point 역함수가 없는 최솟값·분위수·근삿값 중복 제거 같은 연산을 슬라이딩 윈도우에서 효율적으로 계산해야 하는 상황(실시간 모니터링, 시계열 데이터 분석)에서 amortized O(1) 시간에 구현하는 보편적인 알고리즘을 제시하기 때문입니다.
핵심 요약
슬라이딩 윈도우에서 합계·최댓값 같은 집계를 유지하려면, 합계처럼 역함수가 있는 연산은 deque로 쉽게 구현할 수 있지만 최솟값·최댓값·분위수·근삿값 중복 제거 등 대부분의 실용적인 연산은 역함수가 없어 다른 방식이 필요하다. 두 개의 스택과 하나의 집계값을 이용한 '투 스택' 알고리즘은 2001년의 FIFO 큐 구현 논문에서 영감을 받았으며, 이후 Tangwongsan et al.의 2011년 논문에서 더 일반화되었고, 이론적으로는 수십 년 전부터 알려진 간단하지만 강력한 기법이다. 알고리즘은 values(현재 스택)와 cum_aggs(이전 원소들의 누적 집계 역순)라는 두 스택을 유지하며, 새 값은 values에 추가하고, pop할 때 values가 비면 그 원소들의 누적 집계를 계산해 cum_aggs에 쌓는다. 전체 요약 7문장 읽기 → 006 00:11 ▲ 16 · 댓글 1 시계열과 언어를 합친 TimeBraid 모델 공개 Hugging Face가 공개한 TimeBraid는 사전학습 언어모델과 시계열 기초모델을 교차된 글로벌 잔차 주의층으로 정렬하는 통합 모델 시리즈다. AI · 머신러닝 · TimeBraid: Unifying Time Series and Language for Understanding and Forecasting
Key Point 시계열 분석과 자연어처리를 통합한 새로운 접근 방식이 기존 모델들과 어떻게 달라지는지, 그리고 금융·에너지·의료 등 시계열이 중요한 산업 전반에 미칠 영향을 파악할 수 있다.
핵심 요약
Hugging Face가 공개한 TimeBraid는 사전학습 언어모델과 시계열 기초모델을 교차된 글로벌 잔차 주의층으로 정렬하는 통합 모델 시리즈다. 이 모델은 언어의 지식·명령따르기·추론 능력과 시계열의 연속신호 인식·무감독 예측 능력을 모두 상속받는다. 두 모달리티의 표현 공간을 정렬하고 언어를 시간 구조에 접지시키며 이해와 생성의 균형을 맞추는 설계 선택을 검증했다. 전체 요약 6문장 읽기 → 007 18:33 ▲ 18 · 댓글 2 시계열 예측에 뉴스 기반 사건 추론을 적용하는 SEER 모델 실제 시계열 데이터는 외부 사건과 구조적 변화에 의해 구동되는데, 기존 예측 방식은 과거 수치 데이터만으로는 충분하지 않다. AI · 머신러닝 · SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting
Key Point 시계열 예측에 뉴스 기반 외부 사건을 통합하는 새로운 방식이 기존 모델보다 성능이 우수하다는 것을 보여주므로, 금융·에너지·주식 등 변동성 큰 시계열을 다루는 개발자와 연구자에게 중요하다.
핵심 요약
실제 시계열 데이터는 외부 사건과 구조적 변화에 의해 구동되는데, 기존 예측 방식은 과거 수치 데이터만으로는 충분하지 않다. 언어 모델을 통해 외부 뉴스를 검색할 수 있지만, 표준 검색 증강 방식은 높은 노이즈, 신호 손실, 사건 영향에 대한 인과적 추론 능력 부족의 문제가 있다. SEER는 시계열 예측을 위해 사건 조건화를 동적으로 최적화하는 폐루프 프레임워크로, 예측 오류를 두 가지 피드백 메커니즘으로 변환한다. 전체 요약 7문장 읽기 → 008 15:11 ▲ 18 · 댓글 2 시계열 데이터 분석 AI, 실패 기록으로 스스로 진화 시계열 데이터 분석 질문에 답하는 AI 에이전트는 외부 도구를 호출해 일하는데, 도구 구성이 사전에 고정되어 있어 문제가 발생한다. AI · 머신러닝 · TimeEvo: Failure-Driven Self-Evolution of a Time Series Agent
Key Point 시계열 데이터 분석 AI가 질문별 최적 도구를 스스로 습득해 기존 고정식 도구 구성의 한계를 극복하는 새로운 접근법이 제시된다.
핵심 요약
시계열 데이터 분석 질문에 답하는 AI 에이전트는 외부 도구를 호출해 일하는데, 도구 구성이 사전에 고정되어 있어 문제가 발생한다. 첫째, 21개의 전문가 선정 도구 라이브러리는 일부 작업에는 도움이 되지만 다른 작업에는 해를 끼쳐 이상 탐지 정확도를 모든 모델에서 하락시킨다. 둘째, 한 번의 일반 자체 수정은 147개 답변을 바꾸고 그 중 56개를 깨뜨리는데도 최종 점수는 1점 미만으로만 변한다. 전체 요약 7문장 읽기 → 009 22:26 당일 +1,454 에이전트가 학습하는 장기 메모리 시스템 Hindsight 공개 Hindsight는 대화 기록 재호출이 아닌 학습 능력에 중점을 둔 에이전트 메모리 시스템으로, RAG와 지식그래프의 한계를 극복하고 LongMemEval 벤치마크에서 최고 성능을 기록했다. AI · 머신러닝 · vectorize-io/hindsight · Python
Key Point 에이전트가 단순히 과거 대화를 불러오는 것을 넘어 경험에서 배우고 정신 모델을 스스로 구축하도록 설계된 새로운 메모리 시스템으로, 기존 RAG와 지식그래프의 한계를 기술적으로 해결하면서도 LongMemEval에서 검증된 성능을 제공하고 있다.
핵심 요약
Hindsight는 대화 기록 재호출이 아닌 학습 능력에 중점을 둔 에이전트 메모리 시스템으로, RAG와 지식그래프의 한계를 극복하고 LongMemEval 벤치마크에서 최고 성능을 기록했다. 세계 사실, 에이전트 경험, 관찰, 정신 모델 등 4가지 메모리 타입을 바이오미메틱 데이터 구조로 조직하며, 메모리 뱅크 내에 엔티티, 관계, 시계열과 희소/밀집 벡터 표현을 결합한다. Retain(정보 저장) 연산은 LLM으로 사실과 관계를 추출하고 정규화하며, Recall(검색) 연산은 의미론적·키워드·그래프·시간 범위 필터링을 병렬로 수행한 뒤 역상호 순위 융합과 교차 인코더로 재정렬한다. 전체 요약 13문장 읽기 → 010 21:11 당일 +500 금융 시장 전문 AI 모델 Kronos 오픈소스 공개 금융 캔들차트(K-line) 데이터 분석에 특화된 오픈소스 기초 모델 Kronos를 공개했습니다. 전 세계 45개 이상의 거래소 데이터로 사전 학습되었습니다. AI · 머신러닝 · shiyu-coder/Kronos · Python
Key Point 금융 시계열 분석에 특화된 첫 오픈소스 기초 모델로, 일반 시계열 모델과 달리 K-line 데이터의 독특한 특성을 처리하도록 설계되어 개인 트레이더와 정량 분석가들이 직접 활용할 수 있습니다.
핵심 요약
금융 캔들차트(K-line) 데이터 분석에 특화된 오픈소스 기초 모델 Kronos를 공개했습니다. 전 세계 45개 이상의 거래소 데이터로 사전 학습되었습니다. OHLCV 데이터를 계층적 이산 토큰으로 변환하는 전문화된 토크나이저와 자동회귀 트랜스포머로 구성되어 금융 데이터의 높은 노이즈 특성을 처리합니다. Kronos-mini(4.1M), Kronos-small(24.7M), Kronos-base(102.3M), Kronos-large(499.2M) 등 다양한 크기의 모델을 Hugging Face Hub에서 무료로 제공합니다. 전체 요약 5문장 읽기 → 011 21:11 당일 +248 구글, 시계열 예측 전용 기초 모델 TimesFM 3.0 공개 구글 리서치가 시계열 데이터 예측용 기초 모델 TimesFM 3.0을 오픈소스로 공개했다. AI · 머신러닝 · google-research/timesfm · Python
Key Point 시계열 데이터 분석과 예측이 필요한 금융, 수요 예측, 센서 모니터링 등 다양한 분야에서 활용 가능한 오픈소스 모델이 공개되어, 특히 한국의 데이터 기반 기업들이 빠르게 도입할 수 있는 선택지가 생겼다.
핵심 요약
구글 리서치가 시계열 데이터 예측용 기초 모델 TimesFM 3.0을 오픈소스로 공개했다. 이전 2.0 대비 매개변수를 500M에서 200M으로 줄이면서 맥락 길이는 2048에서 16k로 확장했다. 단변량·다변량 시계열을 모두 지원하며, 과거만 사용하거나 미래 공변량을 포함한 유연한 예측이 가능하다. 전체 요약 5문장 읽기 → 
