자기 회귀 모델 편집하기

자기 회귀 모델(Autoregressive Model)은 시계열 데이터 또는 순차적 데이터의 현재 값을 과거 값들의 선형 또는 비선형 결합으로 예측하는 모델이다.
==개념==
*자기 회귀(autoregression)란, 변수 자체의 이전 시점 값들을 입력으로 사용하여 현재 값을 예측하는 방식이다.
*일반적인 형식은 다음과 같다:
  Y_t = c + φ₁Y_{t−1} + φ₂Y_{t−2} + ... + φ_pY_{t−p} + ε_t  
  * 여기서 p는 모델 차수(order), φ는 회귀 계수, ε는 백색잡음(white noise)
*통계학에서는 시계열 분석에서 주로 사용되며, 최근에는 자연어 처리, 음성 생성 등 순차적 데이터 생성에서도 널리 활용된다.
==주요 종류==
*'''AR(p) 모델'''
**p 시점 전까지의 데이터를 사용한 선형 자기 회귀 모델
**Box-Jenkins 방법론에서 활용되는 기본 모델 중 하나
*'''ARMA 모델'''
**AR(자기 회귀) + MA(이동 평균)를 결합한 시계열 예측 모델
*'''ARIMA 모델'''
**차분(differencing)을 포함하여 비정상 시계열 데이터에 대응할 수 있는 확장형 모델
==딥러닝에서의 자기 회귀==
*자연어 처리, 음성 합성, 시계열 예측 등에서 오토리그레시브 모델은 '''이전 출력(토큰)을 다음 출력의 입력으로 사용하는 구조'''를 의미한다.
*GPT, PixelCNN, WaveNet 등은 모두 자기 회귀 방식의 딥러닝 모델이다.
*이런 모델은 '''생성 시 한 토큰/프레임씩 순차적으로 출력'''하며, 이전 출력값을 조건으로 사용한다.
==장점==
*시간/순서 정보를 명시적으로 반영
*순차적 생성이 가능하여 자연스러운 예측 및 생성 가능
*통계적 해석이 용이 (특히 AR, ARIMA 등 전통 모델)
==단점==
*예측 시간 지연: 순차적으로 생성하므로 병렬화가 어렵다
*긴 의존 관계 처리 한계: 멀리 떨어진 과거 정보 반영이 어렵다 (딥러닝에서는 attention으로 극복 시도)
*오차 누적: 이전 예측값의 오류가 다음 예측에 영향을 미침
==응용==
*경제 및 금융 시계열 예측 (AR, ARIMA)
*자연어 생성 (GPT, Transformer 기반 모델)
*음성 생성 (WaveNet)
*이미지 생성 (PixelCNN)
==같이 보기==
*[[ARIMA]]
*[[트랜스포머 (인공지능)|트랜스포머]] 
*[[GPT]]
*[[언어 모델]]
*[[시계열 분석]]
[[분류:인공지능]]