손실된 세부 정보의 복원: 장기 시계열 예측을 위한 다중 스케일 주파수 보상
Recovering Lost Details: Multi-Scale Frequency Compensation for Long-Term Time Series Forecasting
장기 시계열 예측은 다중 스케일(multi-scale) 정보를 활용하여 계층적 시간 패턴을 포착하고 장기 의존성(long-range dependencies)을 모델링함으로써 상당한 발전을 이루었습니다. 그러나 기존 다중 스케일 방법의 시간적 다운샘플링은 세부적인 시간 변동을 필연적으로 평활화(smoothing)하며, 여러 스케일에 걸쳐 지배적인 추세를 강조함에 따라 이러한 정보 손실이 더욱 악화되어 표현의 표현력이 불충분해집니다. 이를 해결하기 위해, 본 논문에서는 양방향 주파수 대역 혼합(Bidirectional Frequency-Bands Mixing) 전략을 통합하여 스케일 간 손실된 시간적 세부 정보를 복원하고 상호보완적인 스케일 간 정보 상호작용을 가능하게 하는 Multi-Scale Wavelet Mixing (MWMixer) 모델을 제안합니다. 그런 다음 동적 스케일 적응형 융합(Dynamic Scale-Adaptive Fusion) 모듈이 각 스케일에 대한 시변 가중치를 학습하여 다중 스케일 예측값을 최종 예측값으로 융합함으로써 다중 스케일 집계의 유연성을 향상시킵니다. 또한 스케일 간 일관성 손실(cross-scale consistency loss)은 각 조밀하지 않은 거친 스케일(coarse-scale)의 예측을 구간 평균화된 미세 스케일(fine-scale) 출력과 정렬하는 한편, 다중 스케일 지도 손실(multi-scale supervision loss)은 각 스케일에서의 예측 정확도를 강제하여 스케일 전반에 걸친 일관된 학습을 촉진합니다. 7개의 실제 데이터셋에 대한 광범위한 실험을 통해 MWMixer가 장기 예측에서 경쟁력 있는 성능을 달성함을 입증합니다.