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.