불규칙 다변량 시계열 예측(Irregular multivariate time series forecasting)은 시계열이 불규칙하게 샘플링되고 동적으로 진화하는 결측 패턴(missingness patterns)을 보이는 많은 실제 응용 분야에서 매우 중요합니다. 기존 방법론들은 오프라인(offline) 환경에서는 우수한 성능을 보이지만, 데이터 분포의 동적인 변화(dynamic shifts)로 인해 온라인(online) 배포 시 성능이 크게 저하되는 경우가 많습니다. 이러한 동적인 시나리오에서 예측 능력을 유지하기 위해서는 일반적으로 온라인 적응(online adaptation) 기술이 필요합니다. 불규칙한 샘플링은 근본적으로 시간적 연속성(temporal continuity)과 주기성(periodicity)을 저해하기 때문에, 정규 다변량 시계열(regular MTS)에서 널리 연구된 이러한 특성들을 온라인 학습(online learning)에 활용할 수 없습니다. 이를 위해, 본 연구에서는 온라인 IMTS(Irregular Multivariate Time Series) 예측 문제를 연구하고, 불확실성 추정기(uncertainty estimator), 이중 전문가 보정 모듈(dual-expert calibration module), 그리고 적응형 라우팅 모듈(adaptive routing module)의 세 가지 핵심 구성 요소로 이루어진 불확실성 기반 이중 전문가 보정 프레임워크인 Under-Cali를 제안합니다. 우리는 추론(inference)과 적응(adaptation) 프로세스를 공동으로 관리하는 핵심 제어 신호 역할을 하는 불확실성 추정기를 설계했습니다. 본 프레임워크에서 불확실성 추정기는 먼저 유입되는 각 배치(batch)에 대한 불확실성을 평가합니다. 이후 적응형 라우팅 모듈은 불확실성이 높은 샘플을 보정을 위해 신뢰할 수 없는 전문가(unreliable expert)에게 전달하는 반면, 불확실성이 낮은 샘플은 신뢰할 수 있는 전문가(reliable expert)에게 유지합니다. 이어서 시스템은 잘 보정된 신뢰할 수 있는 샘플을 사용하여 신뢰할 수 있는 전문가와 불확실성 추정기를 업데이트하고, 도전적인 샘플을 사용하여 신뢰할 수 없는 전문가를 업데이트함으로써 안정적이고 효율적인 온라인 학습을 가능하게 합니다. Under-Cali는 소스 예측 모델을 고정(frozen) 상태로 유지하고, 가볍고 모델 불가지론적(model-agnostic)인 보정 모듈을 통해서만 적응을 수행하여 효율적인 적응을 가능하게 합니다. IMTS 벤치마크에 대한 광범위한 실험을 통해 낮은 계산 비용으로 일관된 성능 향상을 입증했습니다. 우리의 코드는 https://github.com/HaonanWen/Under-Cali 에서 확인할 수 있습니다.