다변량 시계열 예측은 금융, 교통 관리, 에너지, 헬스케어 등 다양한 분야에서 핵심적인 역할을 수행한다. 최근 연구들은 채널 독립성의 장점을 강조하며 분포 드리프트에 대한 저항력을 높일 수 있음을 밝혀냈지만, 채널 간 상관관계를 간과함으로써 추가적인 성능 향상이 제한되고 있다. 몇몇 기법들은 어텐션 또는 미서(mixer)와 같은 메커니즘을 활용하여 채널 간 상관관계를 모델링하려 했지만, 과도한 복잡성을 유발하거나 분포 드리프트 상황에서 만족스러운 성능을 얻기 위해 상관관계에 지나치게 의존하는 문제가 있으며, 특히 채널 수가 많은 경우 이 문제가 더욱 두드러진다. 이러한 문제를 해결하기 위해 본 논문은 효율적인 MLP 기반 모델인 Series-cOre Fused Time Series forecaster(SOFTS)를 제안하며, 새로운 STar Aggregate-Redistribute(STAR) 모듈을 도입한다. 기존의 분산 구조(예: 어텐션)를 통해 채널 간 상호작용을 처리하는 방식과 달리, STAR는 중앙집중형 전략을 활용하여 효율성을 높이고 각 채널의 품질에 대한 의존도를 줄인다. STAR는 모든 시계열을 집계하여 전역적인 코어 표현(global core representation)을 생성한 후, 이를 개별 시계열 표현에 다시 배분하고 융합함으로써 효과적인 채널 간 상호작용을 촉진한다. SOFTS는 기존 최고 수준의 방법들에 비해 우수한 성능을 달성하면서도 선형 복잡도만을 가지며, 다양한 예측 모델에 걸쳐 STAR 모듈의 광범위한 적용 가능성을 실험적으로 입증하였다. 향후 연구 및 개발을 위해 본 논문의 코드는 공개되어 있으며, https://github.com/Secilia-Cxy/SOFTS 에서 확인할 수 있다.