다중 스케일 모델링 (Multi-scale modeling)은 다양한 해상도에서 시간적 역학 (temporal dynamics)을 포착함으로써 시계열 예측 (time-series forecasting)을 위한 효과적인 설계 원칙으로 부상했습니다. 기존 문헌에는 원칙적인 토대가 확립되지 않았기에, 본 연구에서는 기존의 스케일링 방법들을 스케일링 연산자 (scaling operator) 제품군으로 통합하여, 기존 방식들의 근본적인 한계인 고정되고 이산적인 (discrete) 스케일링에 대한 의존성을 밝혀냈습니다. 이러한 한계를 해결하기 위해, 우리는 스케일 공간 이론 (scale-space theory)에 기반한 학습 가능한 이산 가우시안 (learnable discrete Gaussian, LDG) 커널을 통해 거리 인식 스케일링 (distance-aware scaling)을 가능하게 하는 SiGMA (Single Generalized Multi-scale Architecture)를 제안합니다. 우리는 최첨단 (state-of-the-art) 다중 스케일 베이스라인 모델들과 비교하여 장기 및 단기 예측 벤치마크에서 SiGMA를 종합적으로 평가했습니다. SiGMA는 두 작업 모두에서 모든 경쟁 모델을 능가하며, 특히 16개의 장기 평가 설정 중 13개에서 최고의 성능을 달성했습니다. 정확도를 넘어, SiGMA는 가장 강력한 경쟁 모델 대비 훈련 속도를 최대 5.3배 향상시키고 메모리 소비를 최대 3.8배 줄였습니다. 코드는 https://github.com/cheonwoolee/SiGMA 에서 확인할 수 있습니다.