자기 회귀 모델: 두 판 사이의 차이
IT 위키
(새 문서: 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...) |
(차이 없음)
|
2025년 10월 2일 (목) 07:45 기준 최신판
자기 회귀 모델(Autoregressive Model)은 시계열 데이터 또는 순차적 데이터의 현재 값을 과거 값들의 선형 또는 비선형 결합으로 예측하는 모델이다.
개념[편집 | 원본 편집]
- 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[편집 | 원본 편집]
- 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[편집 | 원본 편집]
- 자연어 처리, 음성 합성, 시계열 예측 등에서 오토리그레시브 모델은 이전 출력(토큰)을 다음 출력의 입력으로 사용하는 구조를 의미한다.
- GPT, PixelCNN, WaveNet 등은 모두 자기 회귀 방식의 딥러닝 모델이다.
- 이런 모델은 생성 시 한 토큰/프레임씩 순차적으로 출력하며, 이전 출력값을 조건으로 사용한다.
장점[편집 | 원본 편집]
- 시간/순서 정보를 명시적으로 반영
- 순차적 생성이 가능하여 자연스러운 예측 및 생성 가능
- 통계적 해석이 용이 (특히 AR, ARIMA 등 전통 모델)
단점[편집 | 원본 편집]
- 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[편집 | 원본 편집]
- 경제 및 금융 시계열 예측 (AR, ARIMA)
- 자연어 생성 (GPT, Transformer 기반 모델)
- 음성 생성 (WaveNet)
- 이미지 생성 (PixelCNN)
