CastFlow: 시계열 예측을 위한 역할 전문화 에이전트 워크플로우 학습

원문 발행 2026. 04. 30. 22:24원문 언어 영어AI 한국어 번역arXiv cs.LG 원문 보기

요약

CastFlow는 기존 LLM 기반의 정적 시계열 예측 패러다임이 가진 시간 패턴 추출 및 컨텍스트 획득의 한계를 극복하기 위해 제안된 동적 에이전트 예측 프레임워크입니다. 이 프레임워크는 계획(planning), 행동(action), 예측(forecasting), 성찰(reflection)의 순환적인 에이전트 워크플로우를 따르며, 메모리 모듈과 다중 뷰 툴킷을 활용하여 반복적이고 증거 기반의 수치 예측을 수행합니다. 특히 범용 추론 LLM과 도메인 특화 LLM을 결합한 역할 전문화 설계를 통해 정확성과 적응성을 높였습니다.

핵심 포인트

CastFlow는 시계열 예측에 계획-행동-예측-성찰의 순환적 에이전트 워크플로우를 적용합니다.
메모리 모듈과 다중 뷰 툴킷을 사용하여 과거 경험 검색 및 신뢰할 수 있는 앙상블 기반 예측을 지원합니다.
범용 추론 LLM과 도메인 특화(미세 조정된) LLM의 역할을 분리하는 역할 전문화 설계를 채택했습니다.
도메인 특화 LLM 최적화를 위해 SFT와 검증 가능한 보상 강화학습(RLVR)을 결합한 훈련 방식을 개발했습니다.

최근, 대규모 언어 모델 (LLMs) 은 시계열 예측 분야에서 큰 가능성을 보여주고 있습니다. 그러나 기존 대부분의 LLM 기반 예측 방법은 여전히 과거 관측치를 한 번의 통과로 미래 값에 직접 매핑하는 정적 생성 패러다임을 따르고 있습니다. 이 패러다임 하에서는 시간 패턴 추출의 제한성, 컨텍스트 특징의 단일 라운드 획득, 원샷 (one-shot) 예측 생성, 앙상블 예측 지원 부재 등으로 인해 예측이 제약받습니다. 이러한 한계를 해결하기 위해 본 연구에서는 다중 뷰 시간 패턴 추출, 다중 라운드 컨텍스트 특징 획득, 반복적 예측 정제, 앙상블 예측 기반 예측을 가능하게 하는 동적 에이전트 예측 프레임워크인 CastFlow 를 제안합니다.

첫째, CastFlow 는 예측 과정을 계획 (planning), 행동 (action), 예측 (forecasting), 성찰 (reflection) 로 구성하여 에이전트 워크플로우를 수립합니다. 둘째, 이 워크플로우는 이전 경험을 검색하는 메모리 모듈과 진단 증거를 구성하고 신뢰할 수 있는 앙상블 예측 베이스라인을 제공하는 다중 뷰 툴킷에 의해 지원됩니다. 셋째, CastFlow 는 범용 추론과 전문화된 수치 예측을 결합한 역할 전문화 (role-specialized) 설계를 채택합니다. 이 설계 하에서, 고정된 (frozen) LLM 은 범용 추론을 유지하는 반면, 미세 조정된 도메인 특화 LLM 은 앙상블 예측 베이스라인을 기반으로从头부터가 아닌 증거 기반의 수치 예측을 수행합니다.

미세 조정된 도메인 특화 LLM 을 최적화하기 위해 우리는 감독 학습 미세 조정 (SFT) 과 검증 가능한 보상 강화학습 (RLVR) 을 결합한 두 단계 워크플로우 지향적 훈련을 추가로 개발했습니다. CastFlow 의 효과성을 평가하기 위해 다양한 데이터셋에서 광범위한 실험을 수행하였으며, 강력한 베이스라인에 대해 우수한 전반적인 결과를 달성함을 보여주었습니다. 본 연구가 더 적응적이고 정확한 시계열 예측으로 나아가는 한 걸음이 될 수 있기를 희망합니다.

AI 자동 생성 콘텐츠

원문 바로가기

CastFlow: 시계열 예측을 위한 역할 전문화 에이전트 워크플로우 학습

요약

핵심 포인트

댓글