다단계 시계열 예측 모델 학습을 위한 이차 형식 직접 예측
Quadratic Direct Forecast for Training Multi-Step Time-Series Forecast Models
학습 목표(learning objective)의 설계는 시계열 예측 모델을 학습(training)시키는 데 핵심적인 역할을 합니다. 평균 제곱 오차(mean squared error)와 같은 기존의 학습 목표는 대개 미래의 각 시점을 독립적이고 동일한 가중치를 갖는 작업으로 취급하며, 이는 다음과 같은 두 가지 문제를 야기합니다. (1) 미래 시점 간의 레이블 자기상관(label autocorrelation) 효과를 간과하여 편향된 학습 목표로 이어집니다. (2) 서로 다른 미래 시점에 대응하는 예측 작업별로 이종의 작업 가중치를 설정하지 못해 예측 성능을 제한합니다. 이러한 공백을 해소하기 위해, 본 논문에서는 두 문제를 동시에 해결하는 새로운 이차 형식 가중치 기반 학습 목표를 제안합니다. 구체적으로, 가중치 행렬의 비대각 원소는 레이블 자기상관 효과를 반영하는 반면, 균일하지 않은 대각 원소는 다양한 미래 시점을 갖는 예측 작업의 선호 가중치와 일치하도록 유도됩니다. 이를 기반으로 적응적으로 업데이트되는 이차 형식 가중치 행렬을 사용해 예측 모델을 학습시키는 QDF(Quadratic Direct Forecast) 학습 알고리즘을 제안합니다. 실험 결과에 따르면 QDF는 다양한 예측 모델의 성능을 효과적으로 향상시켜 SOTA(state-of-the-art) 결과를 달성합니다. 코드는 https://github.com/Master-PLC/QDF 에서 확인할 수 있습니다.