MSMixer: 장기 시간계열 예측을 위한 보완적 선형 단축과 함께 학습된 다중 규모Temporal Mixing

장기 시간계열 예측은 고정된 look-back window 에서 빠른 진동, 중거리 주기성, 그리고 서서히 변화하는 거시 경향을 동시에 포착할 수 있는 모델을 요구합니다. 기존 경량 MLP 기반 모델들은 일반적으로 단일 temporal resolution 에서 작동하여 다중 규모 패턴을 명시적으로 모델링하는 능력을 제한합니다. 우리는 이 한계를 해결하기 위해 제안한 MSMixer 는 채널 독립적 multi-scale MLP 구조로, 세 가지 보완적 혁신을 통해 다음과 같은 문제를 해결합니다: (i) down-sample factors {1x, 4x, 16x} 에서 독립적인 MLP 블록을 가진 세 개의 병렬 규모 분지, (ii) 동적으로 분지 출력을 가중치하는 학습 가능한 softmax 게이트, (iii) 전체 윈도우의 경향성과 계절성 컨텍스트를 제공하는 DLinear 보완적 단축입니다. MSMixer 는 H=96 에서 112K 파라미터만 포함하며 O(T) 복잡도로 실행됩니다. 표준 chronological splits 과 세 가지 random seeds 를 사용한 네 가지 ETT 벤치마크에서 평가한 결과, MSMixer 는 경량 모델 중 평균 MSE (0.357) 가 가장 낮으며, DLinear (0.386, -7.4%) 과 NLinear (0.365, -2.1%) 을 능가하여 16 가지 구성 중 12 가지에서 승리했습니다. 문헌의 5 개 Transformer 기반 베이스라인과 비교했을 때, MSMixer 는 16 가지 구성 중 9 가지에서 가장 낮은 또는 두 번째로 낮은 MSE 를 달성하며 PatchTST 보다 5 배 적은 파라미터를 사용합니다. Ablation 과 sensitivity 분석은 다중 규모 분지와 DLinear 단축의 보완적 기여를 확인했습니다.