TopoPrimer: 예측 모델에서 누락된 위상적 맥락 (Topological Context)
요약
TopoPrimer는 시계열 집단의 전역적 위상 구조(global topological structure)를 예측 모델의 명시적인 입력으로 통합하는 프레임워크입니다. 이 프레임워크는 지속성 호몰로지 및 스펙트럼 셰프 좌표 같은 고급 수학 개념을 활용하여, 다양한 도메인에서 예측 정확도를 향상시키고 계절적 수요 급증 시 안정성을 높이며 콜드 스타트 문제를 해결합니다. TopoPrimer는 기존 모델의 성능을 일관되게 개선하며, 특히 어려운 상황(예: 계절성 정점, 콜드 스타트)에서 전통적인 모델 대비 현저한 우위를 보여줍니다.
핵심 포인트
- TopoPrimer는 시계열 집단의 전역적 위상 구조를 예측 모델에 통합하는 프레임워크이다.
- 지속성 호몰로지 및 스펙트럼 셰프 좌표를 활용하여 정확도 향상의 주요 동인으로 사용된다.
- 예측 안정성을 높여 계절적 수요 정점 시 성능 저하를 최소화한다.
- 콜드 스타트 상황에서 위상 정보가 없는 모델 대비 높은 예측 개선 효과(MAE 27% 감소)를 보인다.
- 위상적 이점은 제로샷 및 미세 조정된 백본 모두에서 일관되게 유지된다.
우리는 시계열 집단 (series population)의 전역적 위상 구조 (global topological structure)를 모든 예측 모델의 명시적인 입력으로 만드는 프레임워크인 TopoPrimer를 소개합니다. TopoPrimer는 다양한 도메인에서 정확도를 향상시키고, 계절적 수요 급증 시 예측을 안정화하며, 콜드 스타트 (cold-start) 격차를 해소합니다. 지속성 호몰로지 (persistent homology)와 스펙트럼 셰프 좌표 (spectral sheaf coordinates)를 통해 도메인당 한 번 사전 계산되는 TopoPrimer는, 완전히 학습된 모델의 경우 토큰별로 배포되며 사전 학습된 백본 (pre-trained backbones)의 경우 경량 어댑터 (lightweight adapter)로 배포됩니다. 이 두 구성 요소 중 셰프 좌표 (sheaf coordinates)가 정확도 향상의 주요 동인입니다. Chronos 및 TimesFM에 대한 4개의 공개 벤치마크 전반에서 TopoPrimer는 예측 정확도를 일관되게 향상시켰으며, ECL에서 최대 7.3%의 MSE 개선을 보였습니다. 위상적 이점은 제로샷 (zero-shot) 및 미세 조정 (fine-tuned) 백본 모두에서 거의 동일한 규모로 지속되며, 이는 위상 (topology)과 개별 시계열 학습 (per-series training)이 상호 보완적인 신호를 포착함을 시사합니다. 이러한 이점은 어려운 상황에서 가장 두드러집니다. 계절적 수요가 정점에 달할 때, 전통적인 모델과 제로샷 모델은 성능이 최대 50%까지 저하되는 반면, TopoPrimer는 10% 이내를 유지합니다. 아이템 이력이 없는 콜드 스타트 상황에서 TopoPrimer는 위상이 없는 베이스라인 (topology-free baseline) 대비 MAE를 27% 감소시킵니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기