최근 몇 년 동안, 고급 제로샷 일반화(zero-shot generalization)를 달성하는 시계열 파운데이션 모델(TSFMs)을 사용한 다변량 모델링이 등장했습니다. 현대의 다변량 TSFMs는 주로 다변량 합성 데이터에 사전 학습되는데, 이는 확장하기는 쉽지만 실세계 시계열에 존재하는 복잡한 시간적 역동성 및 변수 간 관계를 포착하지 못할 수 있습니다. 이로 인해 중요한 질문이 제기됩니다: 실세계 코퍼스로 훈련된 선도적인 TSFMs가 합성 데이터로 훈련된 모델보다 더 잘 수행하는지, 그리고 어느 정도까지 그러한지에 대한 문제입니다? 이에 답하기 위해, 우리는 RMISC 코퍼스를 구축했습니다. 이는 약 200개의 데이터셋과 다양한 도메란에 걸쳐 1420억 개의 시점(time points)을 포함하는, 상당히 대규모의 고품질 오픈 액세스 실세계 다변량 시계열 아카이브입니다. 나아가, 우리는 단변량, 합성 다변량, 그리고 실세계 다변량 데이터로 네 가지 고급 TSFMs를 사전 학습시키고, 표준 인-분포(in-distribution) 및 아웃-오브-분포(out-of-distribution) 벤치마크에서 이들의 제로샷 일반화 능력을 평가했습니다. 실험 결과는 실세계 다변량 데이터를 통합하는 것이 단변량 및 다변량 TSFMs 모두의 일반화 성능을 주로 향상시킨다는 것을 보여줍니다. 이러한 결과는 실세계 다변량 데이터가 더 강력한 TSFM 개발에 어떻게 기여하는지에 대한 깊은 이해를 제공합니다.