교통 예측, 산업 유지보수 이상 감지, 건강 모니터링을 위한 궤적 분류 등 다양한 지능형 애플리케이션에서 정확하고 효율적인 다변량 시계열(MTS) 분석의 중요성이 커지고 있습니다. 기존에는 쌍별 의존성 포착 능력이 뛰어난 트랜스포머가 주로 사용되었으나, 이차적인 계산 복잡도와 높은 메모리 오버헤드로 인해 장기적이고 대규모 MTS 모델링에 한계가 있었습니다.
최근 선형 시간 복잡도를 가지면서도 표현력이 뛰어난 맘바(Mamba)가 유망한 대안으로 부상했습니다. 하지만 바닐라 맘바를 MTS에 직접 적용할 경우, 명시적인 변수 간 모델링 부족, 시계열 내 동역학과 시계열 간 상호작용의 분리 어려움, 잠재적 시간 지연 상호작용 효과 모델링 미흡이라는 세 가지 주요 한계로 인해 최적의 성능을 내기 어려웠습니다.
이러한 문제들을 해결하기 위해 우리는 효율적이고 효과적인 MTS 분석을 위한 이중 경로 시차 인지 맘바(DeMa) 백본을 제안합니다. DeMa는 맘바의 선형 복잡도 이점을 유지하면서 다변량 환경에 대한 적합성을 크게 향상시킵니다. 특히, DeMa는 MTS 컨텍스트를 시계열 내 동역학과 시계열 간 상호작용으로 분해하고, 이를 두 개의 전용 경로를 통해 학습합니다.
구체적으로, DeMa는 각 시계열 내 장기 동역학을 포착하는 맘바-SSD 모듈을 포함한 시간 경로와, 시차 인지 선형 어텐션을 통합하여 변수 간 의존성을 모델링하는 맘바-DALA 모듈을 포함한 변수 경로를 개발했습니다. 이 접근 방식은 선형 복잡도를 유지하면서도 가변 길이 입력 처리, 시리즈 독립적인 병렬 계산, 그리고 미세하고 시차에 민감한 의존성 학습을 가능하게 합니다.
본 논문은 정상 및 비정상 극단값 모델링을 위한 파이썬 라이브러리 nsEVDx의 최신 버전에 대해 다룬다. 이 버전은 이전 v0.2.7과 기능적으로 유사하며, 소프트웨어의 주요 변경 사항은 없다.
주요 업데이트는 JOSS(The Journal of Open Source Software) 심사 과정에서 제기된 의견을 반영하는 데 중점을 두었다. 여기에는 사소한 수정 사항, 논문에 제시된 결과의 재검증, 그리고 패키지 제목, 설명 및 문서화 개선이 포함된다.
이러한 개선은 라이브러리의 신뢰성과 사용 편의성을 높이는 데 기여한다. 특히, 학술 검토 과정을 통해 소프트웨어의 견고성을 재확인하고, 사용자에게 보다 명확하고 정확한 정보를 제공할 수 있게 되었다.
nsEVDx는 극단값 이론을 활용하는 연구자 및 개발자에게 유용한 도구로, 다양한 분야에서 극단적인 현상을 분석하고 예측하는 데 활용될 수 있다.
장기 시계열 예측(LTSF)은 최근 큰 주목을 받고 있으며, 다양한 특화 모델들이 제안되었음에도 불구하고 단순 선형 레이어가 경쟁력 있는 성능을 보이는 연구 결과들이 발표되었습니다. 본 연구는 최신 LTSF 접근법의 본질적인 효과를 탐구하고, 아핀 매핑(affine mapping)의 핵심적인 역할을 규명합니다.
시뮬레이션 및 실제 데이터셋을 활용한 광범위한 실험을 통해 최신 모델들의 구성 요소를 분석했습니다. 특히 주기 신호 예측에서 아핀 매핑의 작동 메커니즘을 설명하는 이론적 분석을 제공하며, 가역 정규화(reversible normalization)와 입력 구간 확장(input horizon extension)이 모델 견고성에 미치는 영향을 평가했습니다.
연구 결과, 아핀 매핑이 일반적인 벤치마크에서 예측 성능을 지배하며, 모델들이 유사한 전이 행렬을 학습함을 확인했습니다. 아핀 매핑은 주기적 패턴을 효과적으로 포착하지만, 비주기적 신호나 채널별 주기가 다른 시계열에는 한계를 보였습니다. 가역 정규화는 비주기적 경향을 주기적 패턴처럼 변환하여 경향 예측을 크게 향상시켰고, 입력 구간 확장은 채널별 주기가 다른 다채널 데이터에서 성능 개선에 기여했습니다.
본 연구는 LTSF 모델의 작동 메커니즘에 대한 이론적, 실험적 통찰을 제공하며, 선형 접근법의 강점과 한계를 명확히 제시합니다. 향후 모델 개발은 채널 간 주기 변화 및 비주기적 구성 요소 처리에 중점을 두어야 할 것입니다.
