쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 3일 (화)까지3800건
4건 · "시계열 예측"조건 지우기 ×
001▲ 12 · 댓글 1시계열 재단 모델 'Timestral' 공개, 벤치마크 최강 성능허깅페이스가 시계열 확률 예측을 위한 파운데이션 모델 Timestral 4가지를 발표했다: 5M, 28M, 123M, 209M 파라미터 규모.AI · 머신러닝 · Timestral
Key Point시계열 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 →AI · 머신러닝 · Timestral: Mistral release time-series foundation models
Key Point시계열 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 →AI · 머신러닝 · SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting
Key Point시계열 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 →AI · 머신러닝 · google-research/timesfm · Python
Key Point시계열 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 →