장기 시계열 예측은 전력 수요, 교통 흐름, 기상 관측, 재생 에너지 디스패치 등 다양한 분야에서 광범위하게 활용된다. 동적으로 변화하는 장기 시계열을 예측하는 것은 통계적 비정상성, 국소적 고주파 교란, 결합된 교차 기간 의존성 등 근본적인 과제를 제시하여, 경량 모델이 매개변수 효율성과 예측 성능 사이의 균형을 맞추기 어렵게 한다. 이 문제를 해결하기 위해 본 연구는 SparseTSF의 스파스 교차 기간 모델링 프레임워크를 기반으로 한 경량 교차 기간 예측 모델 TA-SparseMG를 제안한다. 이는 세 가지 핵심 모듈을 포함한다: 추세 인식 가역 인스턴스 정규화 모듈, 스케일 적응형 게이트 디노이징 모듈, 다중 스케일 게이트-어텐션 MLP 예측 모듈. 추세 인식 정규화 모듈은 입력 윈도우 통계를 포착하고 예측 윈도우 분포를 보정하여 분포 이동을 효과적으로 완화한다. 스케일 적응형 게이트 디노이징 모듈은 기간 재배열 전에 특징 평활화와 잔차 억제를 수행하여 고주파 교란에 따른 간섭을 줄인다. 다중 스케일 게이트 어텐션 예측 모듈은 조건부 게이팅과 특징 변조를 통해 예측 헤드의 적응형 표현 능력을 강화한다. 다수의 LTSF(장기 시계열 예측) 벤치마크에 대한 광범위한 실험은 제안된 TA-SparseMG가 일관되게 우수하고 안정적인 성능을 달성함을 보여준다. 소거 연구는 각 모듈이 분포 적응, 입력 견고성, 교차 기간 특징 매핑 능력을 독립적으로 향상함을 확인한다.
시계열 이상 탐지는 산업 및 의료 모니터링, 그리고 기타 중요한 도메인에서 상당한 실용적 가치를 가집니다. 현재 트랜스포머(Transformer) 및 대규모 모델 기반 탐지 방식은 과도한 계산 오버헤드를 유발하는 반면, 기존의 경량화 대안들은 불충분한 특징(feature) 추출 및 다변량 변수 간 의존성 모델링의 부족으로 제한됩니다. 이러한 단점을 완화하기 위해, 본 연구는 패치 지향 표현 학습 패러다임 내에서 PaAno+라고 명명된 경량화되고 효율적인 이상 탐지 모델(model)을 개발합니다. 인코더 모듈에서는 계층적 시간적 특성을 포착하기 위해 차별화된 수용 필드를 가진 컨볼루션 커널을 사용하여 멀티스케일 특징 추출 백본이 구성됩니다. 이후 잔차 연결 최적화와 결합된 교차 스케일 적응형 어텐션(attention) 집계는 특징 표현 학습을 더욱 안정화합니다. 변수 간 상관관계를 명시적으로 특성화하기 위해 변수 간 융합 어텐션 모듈이 내장되어, 모델이 복잡한 운영 조건 하에서 이상 패턴을 식별할 수 있도록 합니다. 또한, 시계열의 내재적 구조적 속성을 발견하기 위해 시간적 패치-윈도우 정렬을 기반으로 하는 새로운 프리텍스트 작업이 사용자 정의되며, 향상된 특징 분별력을 위해 패치 임베딩(embedding) 공간을 최적화하기 위해 트리플릿 손실(triplet loss)이 활용됩니다. TSB-AD 벤치마크에 대한 광범위한 실험을 통해 제안된 PaAno+가 단변량 및 다변량 작업 모두에서 최첨단 탐지 정확도를 달성함을 입증하며, 원본 PaAno에 비해 VUS-PR을 포함한 평가 지표 전반에 걸쳐 상당한 성능 향상을 가져옵니다. 컴팩트한 네트워크 설계를 활용하여, 제시된 모델은 우수한 계산 효율성을 달성하여, 리소스가 제한된 단말기에서 실시간 이상 추론(inference)을 위한 배포를 가능하게 합니다.