STEP: 점진적 시계열 (Progressive Time Series)을 위한 구조적 임베딩 (Structured Embeddings) 학습

우리는 열화 (degradation) 또는 작업 완료와 같이 되돌릴 수 없는 상태 전이 (irreversible state transitions)를 포착하는 데이터인 점진적 시계열 (progressive time series)의 해석 가능한 표현 (interpretable representations)을 학습하기 위한 새로운 방법을 제시합니다. 우리의 접근 방식은 자기지도 대조 학습 (self-supervised contrastive objective)을 사용하여 기하학적 구조 자체가 해석이 되는 저차원 잠재 공간 (low-dimensional latent space)을 학습합니다. 즉, 각 관측치는 두 개의 고정된 직교 프로토타입 벡터 (orthogonal prototype vectors) 사이에 고정된 매니폴드 (manifold) 위의 한 점이 되며, 궤적 (trajectory)은 해당 매니폴드를 가로지르는 경로가 됩니다. 이러한 구조로부터 우리는 잠재 컴퍼스 (latent compass), 즉 잠재 벡터의 극좌표 (polar coordinates) (θ, r)를 읽어낼 수 있습니다. 여기서 θ는 어떠한 대리 레이블 (proxy labels) 없이도 기저 상태 (underlying state)의 진행 (예: 정상에서 고장으로)을 추적하며, r은 활성 모드 (active mode) (예: 작동 조건)를 식별합니다. 우리는 산업적 열화 (industrial degradation), 로봇 작업 (robotic tasks), 신경 활동 (neural activity)을 포함한 다양한 도메인에서 최신 기술 (state of the art)과 비교하여 이 접근 방식을 평가하였으며, 세 가지 핵심 능력인 (1) 최종 상태 예측 (end-state prediction), (2) 다단계 예측 (multi-step forecasting), (3) 해석 가능한 단계 분리 (interpretable phase separation)를 검증했습니다. 우리의 방법은 기저 메커니즘에 대한 투명성을 제공하는 동시에, 이 모든 측면에서 블랙박스 (black-box) 모델들과 대등하거나 더 나은 성능을 보여줍니다. 잠재 컴퍼스 좌표 위에 구축된 단순한 선형 회귀 모델 (linear regressor)이 딥 아키텍처 (deep architectures)와 경쟁할 수 있다는 점은 기저 상태가 기하학적으로 접근 가능한 형태로 인코딩되어 있다는 직접적인 정량적 증거입니다.