시계열 모델링의 새로운 패러다임: 동역학적 시스템 관점

ICML 2026을 겨냥한 이번 논문은 시계열(Time Series) 모델링이 나아가야 할 방향으로 동역학적 시스템(Dynamical Systems, DS) 관점을 제시합니다. 자연계와 공학의 시계열 데이터는 대부분 복잡한 동역학적 규칙을 따르며, 이를 이해하는 것이 예측의 정확도를 높이는 핵심입니다.

연구진은 현재의 시계열 모델들이 가진 한계를 극복하기 위해 다음과 같은 네 가지 핵심 전략을 제안합니다.

• DSR 특화 학습 기법 도입: 단순 예측을 넘어 시스템의 동역학적 규칙을 이해하는 동역학적 시스템 재구성(DSR) 중심의 학습 목표를 설정해야 합니다. 이를 통해 모델의 파라미터 복잡도를 줄이면서도 장기적인 통계적 특성을 포착할 수 있습니다.
• 시뮬레이션 데이터 기반 사전 학습: 인위적인 함수가 아닌, 실제 동역학적 시스템의 시뮬레이션 데이터를 통해 모델을 사전 학습시켜 자연스러운 사전 확률(Priors)을 확보해야 합니다.
• Transformer에서 현대적 RNN으로의 회귀: 시계열의 핵심인 시간적 재귀(Recursion)를 무시하는 Transformer 대신, 시간적 구조를 더 잘 보존하는 현대적 RNN 구조를 활용할 것을 권장합니다.
• 난제 해결: 시계열 모델링의 고질적인 문제인 도메인 외 일반화(Out-of-domain generalization) 및 장기 행동 예측 문제를 해결하기 위한 접근이 필요합니다.