Paper Seminar

CoST: Contrastive Learning of Disentangled Seasonal-Trend Representations for Time Series Forecasting

Self-Supervised Contrastive PreTraining for TimeSeries via Time-Frequency Consistency

Timeseries Anomaly Detection using Temporal Hierarchical One-Class Network

Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection

Deep networks는 Latent representation space에 데이터를 삽입하고 다음 작업을 완료하는 데 강력한 역량을 가지고 있다. 그러나 이러한 능력은 대부분 고품질 label에 비롯된다. Noisy label은 수집 비용이 낮지만 일반화 성능이 떨

딥러닝은 고품질의 label이 존재하는 대규모의 Dataset에 대해 높은 성능을 달성하였습니다. 그러나 이런 Dataset은 일부 전문 영역의 경우 정확하고 효율적으로 주석을 달기에는 많은 비용이 들고 어렵다. 반면, rough한 label은 훨씬 더 쉽게 획득할 수

Abstract Jobshop에 스마트 센서와 IoT가 널리 보급됨에 따라 예측 제조를 위한 제조 BigData 처리에 대한 필요성이 증가하고 있다. 본 연구에서는 DL 기반으로 Job remaining Time을 예측하는 제조 BigData를 구상한다. 데이터 수집,

최근 작업의 소요 시간을 정확하게 예측하기 위해 DL 기반의 방법론이 제안되고 있다. 그러나 이러한 방법론은 사용자가 이해하고 소통하기 어렵기 때문에 수용하기 어렵다. 이러한 문제를 해결하기 위해 본 연구에서는 분류 기반 작업 주기 예측 방법을 보다 잘 설명하기 위해

Abstract 최근 Time-series Anomaly Detection을 위해 제안된 연구들은 여러 Dataset에서 높은 F1 Score를 보이기때문에 Time-series Anomaly Detection 연구가 발전한 것처럼 보인다. 그러나 모델의 평가과정에서

Introduction 제조 현장에서 진행되는 Defect inspection은 결함 검출, 분류, Localization 등을 주요 업무로 함 지금까지 자동화된 defect inspection system에 대한 연구가 진행되어 왔음 그러나, 실제 결함 이미지의 수