Routing by Hurst: Matching Decomposed Modes to Inductive Biases for Time-Series Learning
이 논문은 신호를 EEMD를 통해 고유 모드로 분해하고, 허스트 지수(Hurst exponent)에 따라 일시적 성분과 지속적 성분을 각각 특화된 TCN 및 Transformer 브랜치로 라우팅함으로써 영장류 피질의 계층적 처리를 모사하는 새로운 시계열 학습 프레임워크인 HRMN을 제안하며, 이를 통해 기존 모델보다 훨씬 적은 파라미터로 분류, 회귀 및 이상 탐지 작업 전반에서 최첨단 성능을 달성한다.