시계열 예측 모델의 불확실성 정량화 방법 SGA 제안
SGA: Uncertainty Quantification for Multi-Step Forecasting in Time Series Foundation Models
arXiv시계열 기반 모델(TSFMs)은 다단계 예측 성능이 뛰어나지만, 내재된 불확실성 때문에 예측 결과의 신뢰도 확보가 핵심 과제입니다.
- 연구진은 모든 잠재적 예측 경로를 방향성 비순환 그래프(DAG)로 분석하여 불확실성을 정량화하는 SGA 방법을 제안했습니다.
- SGA는 기존 방법보다 넓고 정확한 샘플링 커버리지를 확보하며, 예측 오차 순위화 등에서 최고의 성능을 입증했습니다.
- 특히 모델 규모가 커질수록 불확실성이 낮아지는 새로운 스케일링 법칙을 제시하며, 시계열 예측의 신뢰도 측정 기준점을 마련했습니다.
최근 시계열 기반 파운데이션 모델(TSFMs)이 다단계 예측 성능을 크게 향상시켰으나, 기존 TSFMs는 내재된 불확실성을 해결하는 데 어려움을 겪고 있습니다. 이로 인해 각 시간 단계에서 발생하는 다양한 예측 분기점들이 후속 단계까지 퍼지면서, TSFM의 예측 결과 신뢰도가 저하되는 문제가 발생합니다.
연구진은 이러한 다단계 TSFM 예측의 불확실성을 정량화하기 위해 Slicing-Graphing-Alignment (SGA) 방법을 제안했습니다. SGA는 모든 잠재적 예측 분기점들의 위상(topology)을 방향성 비순환 그래프(DAG)로 특성화하며, 이 그래프 복잡도가 다단계 예측의 불확실성을 제한합니다. 또한, SGA는 위상 정보와 TSFM 고유의 확률적 요소를 통합하여 그래프 복잡도를 정밀하게 측정합니다.
11개의 TSFMs와 27개 데이터셋을 대상으로 실험한 결과, SGA가 불확실성 추정치를 이용한 예측 오차 순위화에서 최고의 성능을 보였습니다. 또한, 기존의 불확실성 정량화(UQ) 방법들보다 더 광범위하고 정확한 샘플링 커버리지를 확보하는 것이 입증되었습니다. 나아가 TSFM의 모델 규모가 클수록 다단계 예측의 불확실성 추정치가 낮아지는 새로운 경험적 도 발견했습니다.
용어 풀이
- 스케일링 법칙
- 모델 크기·데이터·계산량을 늘릴수록 성능이 예측 가능하게 오른다는 경험 법칙.