Model-agnostic Methods for Alleviating Distribution Shift in Time Series Forecasting
- 2025년 8월 22일 오후 5:05
- 조회수: 222
INFORMATION
- 2025년 8월 22일
- 오전 12시 ~
온라인 비디오 시청 (YouTube)
발표자:
고재영
고재영
TOPIC
Model-agnostic Methods for Alleviating Distribution Shift in Time Series Forecasting
On-Line Video
OVERVIEW
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.
참고자료:
[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)
청취자 후기
김성수
이번 세미나는 시계열 데이터에서 발생하는 Domain Shift를 최소화할 수 있는 방법론에 대해 소개한다. 시계열 데이터에서는 입력 데이터 내부적으로도 Shift가 발생 가능하지만, 입력 및 출력 데이터 관점에서도 Shift가 발생할 수 있다. 본 세미나에서 소개하는 3가지 방법론은 모두 다음과 같은 해결책을 제시한다: 각 시계열 별 통계량 산출 → 시계열 정규화 → 시계열 예측 → 통계량을 기반으로 역정규화. 이때, 통계량으로 평균 및 표준편차만을 활용하는 것은 부족하다고 지적하면서, 이를 예측 모델을 기반으로 산출하거나 시계열을 조금 더 잘게 나누어 대표 값을 산출하는 방식 등으로 보완했다. 이러한 접근은 시계열 뿐만 아니라 비전 등 다양한 분야에서도 적용할 수 있을 것 같은데 (ex. 패치 수준 정보로 정규화 등), 다른 모달리티에도 어떻게 적용될 수 있을지 궁금하다. 유익한 세미나를 준비해준 고재영 연구원님께 고맙다는 말을 전하며 세미나 후기를 마친다.