딥러닝 방법론들은 시계열 예측 (time series forecasting) 분야에서 최첨단 (state-of-the-art) 성능을 달성해 왔으나, 일부 사례들은 본질적으로 예측하기 어려운 상태로 남아 있기 때문에 샘플에 따라 정확도가 상당히 다르게 나타납니다. 모델이 위험도가 높은 예측을 거부할 수 있도록 하는 거부 옵션 (Reject option) 메커니즘은 분류 (classification) 및 회귀 (regression) 분야에서는 잘 확립되어 있으나, 예측 (forecasting) 분야에서는 충분히 탐구되지 않았습니다. 기존의 기권 (abstention) 전략들은 일반적으로 예측 구간 (prediction interval)의 너비나 예측으로부터 도출된 학습된 신뢰도 점수 (confidence scores)와 같은 대리 지표 (proxies)에 의존합니다. 그러나 이러한 접근 방식들은 본질적으로 훈련 도메인 (training domain)에 묶여 있어 일반화 능력을 제한합니다. 우리는 메타러닝 (metalearning)을 통해 최근 시차 (lags)로부터 추출된 구조적 특성을 기반으로, 예측 오차의 경험적 백분위수 (empirical percentile), 즉 스케일 불변 통계량 (scale-invariant statistic)을 모델링함으로써 이러한 한계를 해결하는 선택적 예측 (selective forecasting) 프레임워크를 제안합니다. 거부 결정 (rejection decision)을 예측 자체로부터 분리하고 이를 도메인 불가지론적 (domain-agnostic) 특징에 근거하게 함으로써, 이 프레임워크는 이질적인 시계열 (heterogeneous time series) 간의 효과적인 기권 전이 (abstention transfer)를 가능하게 합니다. 인도메인 (in-domain) 및 전이 학습 (transfer learning) 설정 모두에서의 실험 결과, 예측하기 어렵다고 판단된 샘플을 거부하는 것이 커버리지 수준 (coverage levels) 전반에 걸쳐 예측 정확도를 일관되게 향상시킴을 보여줍니다.