LG AI Research: 시계열 Foundation 모델의 동향
·2026.07.16 09:00
시계열 데이터를 해결하기 위한 Foundation 모델의 최신 연구 방법론을 LLM 활용 방식에 따라 분류하여 소개한다.
시계열(Time Series) 데이터는 날씨, 센서, 금융 등 미래 예측이 중요한 분야에서 핵심적인 역할을 합니다. 최근 AI 분야에서는 다양한 도메인에 범용적으로 적용 가능한 시계열 Foundation 모델을 구축하려는 노력이 활발히 진행되고 있습니다.
시계열 Foundation 모델은 크게 LLM(거대 언어 모델)을 활용하는 방법론과 자체 거대 모델을 구축하는 방법론으로 분류됩니다. LLM 활용 방법론은 크게 세 가지로 나뉩니다.
- Without Adaptation: LLM이 이미 시계열 지식을 갖췄다고 가정하며, 적절한 Prompt 설계에 집중합니다. 대표적으로 PromptCast가 있으나, 숫자의 토큰화 문제(예: 480과 481의 토큰 불일치)가 지적되기도 했습니다. 이를 개선한 LLM-Time은 숫자를 개별 토큰으로 처리하여 추가 학습 없이도 성능을 확보했습니다.
- Adapt LLM: LLM이 시계열 도메인에 익숙하지 않다고 전제하며, Adaptation Layer를 추가하여 모델을 Fine-tuning합니다. OFA는 Patching과 Linear Layer를 활용하며, TEMPO는 시계열 분해와 LoRA를 적용해 성능을 높였습니다.
- Adapt to LLM: LLM이 '텍스트로 변환된 시계열 지식'을 가지고 있다고 가정합니다. 시계열 데이터를 어떻게 효과적으로 텍스트로 변환할지가 핵심이며, Time-LLM은 Cross Attention 메커니즘 등을 활용해 시계열과 텍스트 간의 상호 변환을 수행합니다.
이 요약은 원문 이해를 돕기 위한 큐레이션입니다. 저작권은 원저작자에게 있으며, 정확한 내용과 맥락은 원문을 확인하세요.
요약 오류, 출처 표기 문제, 삭제 요청은 문의 · 건의로 알려주세요.