긴 기간 시계열 예측을 위한 MLP의 성능 향상을 위한 거칠게 만들기 전략

딥러닝 기법은 장기 시계열 예측 분야에서 강점을 발휘하고 있다. 그러나 표현력과 계산 효율성 사이의 균형을 이루는 데 자주 어려움을 겪는다. 다층 퍼셉트론(Multi-Layer Perceptrons, MLPs)을 활용하는 것은 일종의 타협적인 해결책이지만, 내재된 점 대 점 매핑 방식으로 인해 두 가지 핵심 문제에 시달린다. 즉, 충분한 문맥적 의존성 부족과 정보 블로킹의 불충분성이다. 본 연구에서는 이러한 기존 MLP의 문제를 완화하기 위해 정보를 고립된 시계열 점이 아닌 정보 그레인(정보 단위)으로 형성하는 '코어싱 전개망(Coarsened Perceptron Network, CP-Net)'을 제안한다. CP-Net은 주로 두 단계 프레임워크를 통해 의미적 및 문맥적 패턴을 추출하며, 이는 더 긴 시간 간격에 걸친 상관관계를 유지하고 변동성이 큰 노이즈를 필터링하는 데 기여한다. 이는 다중 스케일 설정을 통해 보완되며, 다양한 크기의 정보 그레인을 융합함으로써 포괄적인 예측을 달성한다. 구조적 단순성에 기반한 컨볼루션만을 사용함으로써 CP-Net은 선형 계산 복잡도와 낮은 런타임을 유지하면서도, 7개의 시계열 예측 벤치마크에서 최신 기술(SOTA) 대비 평균 4.1%의 성능 향상을 입증하였다.