분리 가능한 해석 가능한 표현을 통한 효율적인 장기 시계열 예측

산업 5.0는 고차원적이고 고해상도의 데이터, 그리고 높은 위험도를 지닌 응용 시나리오를 특징으로 하며, 장기 시계열 예측(Long-term Time Series Forecasting, LTSF) 분야에 새로운 도전 과제를 제기한다. 이러한 맥락에서 LTSF를 위한 효율적이고 해석 가능한 모델 개발은 핵심적인 과제로 부상하고 있다. 기존의 딥러닝 및 선형 모델은 일반적으로 파라미터 복잡도가 과도하고 직관적인 해석 가능성 부족이라는 한계를 지닌다. 이러한 문제를 해결하기 위해, 우리는 분리 가능한 해석 가능하고 파라미터 효율적인 선형 네트워크인 DiPE-Linear를 제안한다. DiPE-Linear는 세 가지 시계열 구성 요소—정적 주파수 주의 메커니즘(Static Frequential Attention, SFA), 정적 시계열 주의 메커니즘(Static Temporal Attention, STA), 독립적 주파수 매핑(Independent Frequential Mapping, IFM)—를 포함하며, 주파수 도메인과 시계열 도메인 간을 번갈아가며 학습함으로써 분리된 해석 가능성을 달성한다. 분해된 모델 구조는 완전 연결층(Fully Connected layers, FCs)에서의 파라미터 복잡도를 이차형에서 선형으로, 계산 복잡도를 이차형에서 로그선형으로 감소시킨다. 또한, 낮은 랭크 가중치 공유 정책(Low-Rank Weight Sharing policy)을 도입하여 다변량 시계열 처리 능력을 향상시켰다. 완전 연결층의 부분공간(subspace) 내에서 작동함에도 불구하고, 표현 능력이 제한된 환경에서도 DiPE-Linear는 다양한 오픈소스 및 실세계 LTSF 데이터셋에서 완전 연결층 및 비선형 모델과 비교해 유사하거나 더 우수한 성능을 보여주며, 철저하게 설계된 구조의 효과성을 입증하였다. 효율성, 정확성, 해석 가능성의 조합은 DiPE-Linear가 연구 및 실제 응용 분야에서 LTSF 기술 발전을 선도할 수 있는 강력한 후보임을 시사한다. 소스 코드는 다음 링크에서 공개되어 있다: https://github.com/wintertee/DiPE-Linear.