3단계 학습을 통한 단순 모델의 장기 시계열 예측 성능 극대화

장기 시계열 예측 (Long-term time series forecasting)에 관한 최근 연구들은 점점 더 복잡해지는 아키텍처 (Architecture) 없이도 단순한 선형 모델 (Linear models)과 MLP 기반 예측기 (MLP-based predictors)가 강력한 성능을 달성할 수 있음을 보여주었습니다. 그러나 많은 경쟁력 있는 베이스라인 (Baselines)들은 여전히 주파수 영역 모델링 (Frequency-domain modeling), 명시적 분해 (Explicit decomposition), 다중 스케일 혼합 (Multi-scale mixing), 또는 정교한 변수 간 상호작용 모듈 (Cross-variable interaction modules)과 같은 구조적 사전 지식 (Structural priors)에 의존하고 있으며, 단순한 시간적 매핑 (Temporal mappings)을 어떻게 학습하고 조직해야 하는지에 대해서는 주의를 덜 기울이고 있습니다. 본 논문에서는 복잡한 아키텍처 모듈을 도입하지 않고도 단순한 시간적 매핑 모델의 역량을 끌어올리는 것을 목표로 하는 장기 시계열 예측 학습 패러다임인 STAIR (Stagewise Temporal Adaptation via Individualization and Residual Learning)를 제안합니다. STAIR는 예측 능력을 세 가지 점진적인 단계로 분해합니다. 먼저 공유된 시간적 매핑 (Shared temporal mapping)을 통해 변수 전반에 걸친 공통적인 시간적 역학 (Temporal dynamics)을 학습하고, 그다음 채널별 미세 조정 (Channel-wise fine-tuning)을 통해 공유 모델을 각 변수에 적응시켜 변수 특유의 패턴을 포착하며, 마지막으로 잔차 학습 (Residual learning)을 통해 변수 간 정보로 백본 (Backbone)을 보완합니다. 나아가 우리는 엄격한 채널 독립성 (Channel independence)의 한계와 표준 RevIN에 의해 유도되는 지나치게 강한 정규화 사전 지식 (Normalization prior)을 완화하기 위해 Shared-to-Individual Fine-tuning과 alpha-RevIN을 도입합니다. 이러한 설계는 주요 실험에서 핵심 시간적 예측기를 얕은 MLP로 유지하면서 모델링 유연성을 점진적으로 증가시키며, 선형 변형 (Linear variants)은 별도로 분석되었습니다. 9개의 장기 예측 벤치마크 (Benchmarks)에 대한 실험 결과, STAIR는 단순한 시간적 백본을 유지하면서도 최근의 강력한 베이스라인들과 대등하거나 이를 능가하는 성능을 보여주었으며, 장기 시계열 예측을 위한 간결하고 효과적인 모델링 관점을 제공합니다.