arXiv:2602.03981v2 cs.LG

DeXposure-FM: A Time-series, Graph Foundation Model for Credit Exposures and Stability on Decentralized Financial Networks

Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

제출 2026-02-03

원문 초록

Credit exposure in Decentralized Finance (DeFi) is often implicit and token-mediated, creating a dense web of inter-protocol dependencies. Thus, a shock to one token may result in significant and uncontrolled contagion effects. As the DeFi ecosystem becomes increasingly linked with traditional financial infrastructure through instruments, such as stablecoins, the risk posed by this dynamic demands more powerful quantification tools. We introduce DeXposure-FM, the first time-series, graph foundation model for measuring and forecasting inter-protocol credit exposure on DeFi networks, to the best of our knowledge. Employing a graph-tabular encoder, with pre-trained weight initialization, and multiple task-specific heads, DeXposure-FM is trained on the DeXposure dataset that has 43.7 million data entries, across 4,300+ protocols on 602 blockchains, covering 24,300+ unique tokens. The training is operationalized for credit-exposure forecasting, predicting the joint dynamics of (1) protocol-level flows, and (2) the topology and weights of credit-exposure links. The DeXposure-FM is empirically validated on two machine learning benchmarks; it consistently outperforms the state-of-the-art approaches, including a graph foundation model and temporal graph neural networks. DeXposure-FM further produces financial economics tools that support macroprudential monitoring and scenario-based DeFi stress testing, by enabling protocol-level systemic-importance scores, sector-level spillover and concentration measures via a forecast-then-measure pipeline. Empirical verification fully supports our financial economics tools. The model and code have been publicly available. Model: https://huggingface.co/EVIEHub/DeXposure-FM. Code: https://github.com/EVIEHub/DeXposure-FM.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2602.03981v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26822v2cs.LG공통 태그 Time Series Analysis, Time Series Forecasting

HARN: 이벤트 기반 다중 시간대 예측을 위한 계층적 연상 공명 네트워크

HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting

실시간 금융 예측은 오래되었거나 사용할 수 없는 정보를 사용하지 않으면서 시간 프레임 간 비동기적인 봉 완성을 동기화해야 한다. 우리는 HARN(Hierarchical Associative Resonance Network)을 소개한다. 이는 각 이벤트를 설정된 가장 세밀한 시간 프레임에 고정하고, 시간 수준 전반에 걸쳐 지속적 상태와 행렬 값 연상 메모리를 유지하는 이벤트 기반 아키텍처이다. 타임스탬프 마스킹 전이는 완성된 봉의 타임스탬프가 현재 앵커와 일치할 때만 해당 수준을 갱신하여, 비활성 표현을 보존한다. HARN은 인과적 다중 스케일 인코딩, 잔차 기반 게이트 연상 쓰기, 전수 교차 수준 공명, 순서화된 상향식 증거 집계를 통합하여 각 시간 수준에서 예측을 생성한다. 예측은 베이시스 포인트 변화로 표현되며 평가를 위해 가격 스케일로 복원된다. 우리는 주식, 외환, 금에 걸친 네 가지 자산(AAPL, EURUSD, USDCHF, XAUUSD)에서 시간순 70/15/15 분할, 32봉 룩백, 1단계 예측 구간, 세 개의 랜덤 시드를 사용하여 HARN을 평가한다. HARN은 네 자산 모두에서 평가된 단일 시간 프레임 PatchTST 및 TimeXer 기준선보다 낮은 앵커 시간 프레임 테스트 평균 절대 오차(MAE)를 얻는다. HARN의 MAE는 각각 0.508, 0.000306, 0.000263, 2.552이며, PatchTST는 2.074, 0.000759, 0.000638, 9.563, TimeXer는 2.882, 0.010838, 0.014144, 15.297을 기록한다. 이러한 기술적 비교는 입력, 목표 정식화 또는 학습 절차의 차이로부터 아키텍처의 효과를 분리하지 못한다. AAPL과 EURUSD에 대한 단일 실행 구성요소 절제 실험은 작고 비단조적인 차이를 보인다. 이 결과는 비동기 다중 시간 프레임 예측에 대한 HARN의 실현 가능성을 보여주는 한편, 상대적 이점과 구성요소 기여를 규명하기 위한 통제된 비교와 더 폭넓은 절제 실험의 필요성을 시사한다.

arXiv:2610.15760v1cs.LG공통 태그 Time Series Analysis, Time Series Forecasting

학습 가능한 분해 및 다양체 역학을 활용한 쌍곡 시계열 예측

Hyperbolic Time Series Forecasting with Learnable Decomposition and Manifold Dynamics

다중 스케일(multiscale) 구조는 시계열 예측의 핵심입니다. 시간 신호는 천천히 변화하는 트렌드, 중간 수준의 계절적 패턴, 그리고 고주파수 잔차를 포함합니다. 기존 예측 모델은 이러한 다중 스케일 구조를 유클리드 공간에서 모델링하여, 구성 요소들 사이에 유도되는 순서를 표현하지 못합니다. 본 연구에서는 종속 분해(cascaded decomposition)가 구성 요소들을 고유 주파수에 따라 정렬하여 자연스러운 주파수 계층을 형성함을 확인했습니다. 이 계층 구조는 반경에 따라 표현 용량이 증가하고 중첩된 계층 구조를 자연스럽게 수용하는 쌍곡 공간(hyperbolic space)의 지수적 부피 증가 특성과 잘 부합합니다. 이에 따라 본 연구에서는 쌍곡 공간에서 작동하는 최초의 장기 시계열 예측(LTSF) 프레임워크인 HyperForecast를 제안합니다. HyperForecast는 원점 근처의 저주파수 성분부터 경계 근처의 고주파수 성분에 이르기까지 반지름 거리가 이러한 중첩 구조를 포착하도록, 분해된 시간 구간을 푸앵카레 공(Poincaré ball) 위에 임베딩합니다. 또한 측지선 속도(geodesic velocity)를 두 가지 다양체 역학(manifold dynamics) 변형을 통해 모델링합니다: (a) 푸앵카레 잔차 역학을 통한 자기회귀 예측, (b) 모든 미래 구간을 병렬로 예측하는 비자기회귀 예측입니다. HyperForecast는 11개 장기 예측 벤치마크 중 9개에서 기존 및 최고 수준(SOTA)의 베이스라인 모델을 일관되게 능가하며, 긴 예측 구간에서 평균 제곱 오차(MSE)를 최대 58%까지 낮췄습니다. 추가 분석을 통해 학습된 반경 임베딩이 주파수 계층을 성공적으로 복원하며, 쌍곡 기하학이 예측 성능에 실질적으로 기여함을 밝혔습니다.

arXiv:2610.13676v1cs.LG공통 태그 Time Series Analysis, Time Series Forecasting

공변량 기반 시계열 파운데이션 모델에서의 캘린더 특성 인코딩에 관하여

On the Encoding of Calendar Features in Covariate-Informed Time Series Foundation Models

시계열 파운데이션 모델(TSFM)은 점점 더 공변량 지원을 제공하고 있으며, 캘린더 정보는 모든 시점에서 이용 가능하다는 점에서 실제로 가장 흔한 유형의 범주형 공변량이다. 그러나 이러한 특성이 어떻게 인코딩되는지는 사전학습된 모델이 추론 시점에 남겨둔 몇 가지 설계 선택 중 하나임에도 불구하고, 연구 대상이 아니라 구현상의 세부사항으로 취급되는 경우가 많다. 본 연구에서는 정보가 모델에 전달되는 방식이 TSFM의 예측 정확도에 상당한 영향을 미친다는 것을 보인다. 이를 위해 우리는 세 가지 전통적인 타겟 비의존적(target-agnostic) 표현(순서형, 원-핫, 주기형)과 네 가지 타겟 인코딩을 포함한 일곱 가지 캘린더 인코딩을, 여러 도메인의 9개 데이터셋에 대해 네 가지 최신 TSFM을 대상으로 제로샷 롤링 평가에서 체계적으로 비교한다. 이 9개 데이터셋은 주말과 공휴일과 같은 사회적 활동의 영향을 받으므로, 캘린더 정보가 예측에 특히 중요하다. 우리는 인코딩 선택이 모든 모델에서 예측 정확도에 영향을 미치며, 단일 모델 내에서 비공휴일에는 최대 9.9%, 공휴일에는 최대 83%의 MASE 차이가 발생함을 확인했다. 효과와 활용도는 모델 간에 상당히 다르다. 개선은 주로 공휴일 주변에 집중되는데, 이는 캘린더 정보가 타겟 이력(target history)으로부터는 얻을 수 없는 신호를 제공하기 때문이며, 일부 모델-인코딩 조합은 비공휴일 예측도 개선시킨다. SHAP 기반 기여도 분석은 자기회귀 성분에 대한 공변량의 기여를 규명하고, 일부 모델-인코딩 조합이 성능을 저하시키는 이유를 설명한다. 우리의 연구 결과는 공변량 기반 TSFM을 위한 현재의 벤치마크가 고정된 인코딩 전략을 강제함으로써 모델 비교를 왜곡할 수 있음을 시사한다.

arXiv:2610.11022v1physics.ao-ph공통 태그 Time Series Forecasting, Graph Neural Network

중기 리드 타임의 전 지구 일별 화재 복사 강도 예측을 위한 그래프 신경망

A Graph Neural Network for Global Daily Fire Radiative Power Prediction at Medium-Range Lead Times

수일 전 생체량 연소(biomass-burning) 활동을 숙련되게 예측하는 것은 대기질 예보 및 에어로졸 예측에 중요합니다. 본 연구는 두 가지 운영상의 제약 조건에서 출발합니다. 첫째, NOAA의 GEFS-Aerosols를 초기화하는 데 사용되는 GBBEPx 위성 화재 복사 강도(FRP, Fire Radiative Power) 산출물은 약 1.5일의 지연 시간(latency)을 두고 제공되므로, 각 예보 주기는 가장 최근에 사용 가능하지만 이미 구식이 된 화재 관측치에 의존합니다. 둘째, 이러한 화재 입력값은 후속 5일간의 운영 예보 기간(또는 GSL 실험 시스템에서는 7일간) 내내 고정되어 유지되며, 사실상 화재 활동의 변화가 없다고 가정합니다. 본 연구에서는 가장 최근에 가용한 관측치를 바탕으로 1~7일 후의 전 지구 FRP를 예측하는 데이터 기반 모델을 개발합니다. 이 모델은 재분석 기상 자료, 토지 피복 및 식생 정보, 최근 화재 이력, 그리고 학습 목표로서의 GBBEPx FRP를 활용하는 시공간 그래프 신경망(GNN)을 적용합니다. 2020~2022년 데이터로 학습되었으며 2023~2024년 데이터로 평가되었습니다. 모델은 전 지구적 계절 주기를 재현하며 지속성(persistence) 기준선보다 크게 우수한 성능을 보입니다. 0.1$^\circ$ 해상도에서 평균 제곱 오차(MSE)는 2023년 기준으로 1일 리드 타임에서 32%, 7일 리드 타임에서 43% 감소했고, 2024년에는 각각 24%와 40% 감소했습니다. 1$^\circ$ 해상도에서 임계 성공 지수(CSI)는 0.32에서 0.60 범위를 나타냅니다. 탐지 성능은 리드 타임에 따라 완만하게만 감소하는 반면, 강도 예측 성능은 더 빠르게 저하됩니다. 대형 화재는 안정적으로 탐지되지만, 그 복사 강도는 체계적으로 과소평가됩니다. 이러한 결과는 며칠 앞선 화재 활동의 유용한 예측 가능성을 보여주며, 예측된 FRP가 현업 에어로졸 예보를 지원하기 전에 해결해야 할 주요 과제로 강도 보정과 소규모 화재 위치 파악을 규명합니다.

arXiv:2608.20980v2cs.LG공통 태그 Time Series Forecasting, Graph Neural Network

시공간 예측 벤치마크 데이터셋 및 모델에 대한 비판적 감사

A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Models

그래프 신경망(GNN)은 시공간 예측(spatiotemporal forecasting)에 일상적으로 활용되고 있으나, 널리 사용되는 벤치마크 데이터셋 전반에서 일관되지 않은 성능을 보입니다. 본 연구에서는 벤치마크의 품질과 이로부터 도출된 결론의 강건성(robustness)을 평가하기 위해 데이터셋 특성과 기준선 모델에 대한 감사를 수행합니다. 고전 통계 도구를 활용하여 벤치마크 내 시공간 시차 의존성(spatiotemporal lagged dependencies)을 특성화하고, 시간 차분(temporal differencing)이 이러한 관계를 어떻게 변화시키며 모델 순위에 어떠한 영향을 미치는지 조사합니다. 이를 바탕으로 시간 선형 기준선을 재평가한 결과, 여러 벤치마크에서 GNN의 겉보기 성능 향상이 크게 감소했으며 다른 벤치마크에서는 GNN을 능가하기도 했습니다. GNN이 선형적인 노드별 신호를 추출하는 데 어려움을 겪는다는 점에 착안하여, 자기회귀 잔차(autoregressive residuals)를 공급했을 때 특히 비교통(non-traffic) 벤치마크에서 GNN의 성능이 향상됨을 확인했습니다. 마지막으로 통제된 합성 실험을 통해 GNN이 시간적 역학(temporal dynamics)과 공간 그래프 상호작용의 이질성에 민감하다는 점을 밝혔습니다. 종합적으로 본 연구 결과는 기준선 설정, 데이터 전처리, 시스템 이질성이 벤치마크 순위에서 도출되는 해석을 좌우함을 입증하며, 향후 GNN의 설계와 강건한 평가를 위한 통찰을 제공합니다.

arXiv:2609.27637v1cs.LG공통 태그 Time Series Forecasting, Graph Neural Network

대규모 교통 예측을 위한 국소 이질성 및 지역 간 컨텍스트 학습

Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting

교통 흐름 예측은 지능형 교통 시스템에 필수적이다. 대규모 교통 예측은 국소 공간적 의존성과 지역 간 컨텍스트를 공동으로 모델링해야 한다. 지리적으로 인접한 노드 간 공간적 의존성은 도로 유형과 이동 방향의 차이로 인해 이질적이며, 모든 노드 쌍 상호작용을 통해 전역 정보를 획득하는 것은 상당한 계산 비용을 초래한다. 따라서 국소 이질성을 포착하면서 장거리 컨텍스트를 효율적으로 획득하는 것은 대규모 교통 예측에서 여전히 중요한 과제로 남아 있다. 이러한 과제를 해결하기 위해, 우리는 노드 이웃과 도로 네트워크 지역이라는 두 가지 상보적 세분성에서 공간적 의존성을 모델링하는 Local-Region Spatial Temporal(LoReST) 네트워크를 제안한다. 구체적으로, 관계 인지 국소 집계는 도로 및 방향별 특징 변환을 통해 지리적 이웃 내 이질적 의존성을 포착한다. 지역 간 상호작용은 평균 풀링을 통해 지역 표현을 구성하고, 지역 간 어텐션을 통해 장거리 컨텍스트를 교환한 뒤 이를 노드로 다시 전파한다. 국소 정보 집계와 지역 간 상호작용을 통합함으로써 LoReST는 대규모 도로 네트워크에서 공간적 의존성 학습을 효과적으로 수행할 수 있다. LargeST 벤치마크의 네 개 데이터셋에 대한 실험은 MAE, RMSE, MAPE에서 각각 평균 상대 감소율 4.78%, 3.60%, 5.75%를 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.