3단계 학습을 통한 단순 모델의 장기 시계열 예측 성능 극대화

요약

STAIR(Stagewise Temporal Adaptation via Individualization and Residual Learning)는 복잡한 아키텍처 없이도 단순 시간적 매핑 모델의 성능을 극대화하는 장기 시계열 예측 학습 패러다임을 제안합니다. 이 방법은 공유된 시간적 역학 학습, 채널별 미세 조정(변수 특유 패턴 포착), 잔차 학습(정보 보완)의 3단계 점진적 과정을 통해 예측 능력을 끌어올립니다. STAIR는 단순한 구조를 유지하면서도 기존 강력한 베이스라인들과 대등하거나 그 이상의 성능을 보여주었습니다.

핵심 포인트

• STAIR는 복잡한 아키텍처 없이 단순 시간적 매핑 모델의 장기 시계열 예측 성능을 향상시키는 새로운 패러다임을 제시합니다.
• 예측 과정은 공유된 시간적 역학 학습, 채널별 미세 조정(Individualization), 잔차 학습(Residual learning)의 3단계 점진적 구조로 이루어집니다.
• 모델 설계는 엄격한 채널 독립성 및 과도한 정규화 사전 지식의 한계를 완화하기 위해 Shared-to-Individual Fine-tuning과 alpha-RevIN을 도입했습니다.
• STAIR는 단순한 시간적 백본을 유지하면서 9개의 장기 예측 벤치마크에서 강력한 성능을 입증하며, 간결하고 효과적인 모델링 관점을 제공합니다.