요약: 시계열 예측 모델은 데이터의 비정상성(Non-stationarity), 즉 시간 경과에 따라 데이터 분포가 변하는 Distribution Shift 상황에서 성능이 크게 저하되는 문제가 있다. 이러한 분포 차이는 훈련 데이터와 테스트 데이터 간 뿐만 아니라 개별 인스턴스 간에서도 발생하며, 그 결과 모델이 특정 시점의 패턴에 과적합 되거나 안정적으로 수렴하지 못하게 만든다. 이런 현상은 현실의 시계열 데이터에서 계절성 변화, 장비 노후화, 외부 요인 등으로 인해 빈번하게 나타난다. 본 세미나에서는 이러한 비정상성을 효과적으로 완화하고 다양한 백본 모델의 일반화 성능을 향상 시키기 위해 연구된 Model-agnostic 접근법들을 소개한다.

[1] Taesung Kim, Jinhee Kim, Yunwon Tae, Cheonbok Park, Jang-Ho Choi, Jaegul Choo. (2022). Reversible Instance Normalization for Accurate Time-Series Forecasting against Distribution Shift. ICLR 2023 Conference

[2]Wei Fan, Pengyang Wang, Dongkun Wang, Dongjie Wang, Yuanchun Zhou, Yanjie Fu. (2023). Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting. Proceedings of the AAAI Conference on Artificial Intelligence 37(6):7522-7529

[3] Zhiding Liu, Mingyue Cheng, Zhi Li, Zhenya Huang, Qi Liu, Yanhu Xie, Enhong Chen. (2023). Adaptive Normalization for Non-stationary Time Series Forecasting: A Temporal Slice Perspective. Advances in Neural Information Processing Systems 36 (NeurIPS 2023)