본 논문은 제조 및 에너지 분배와 같은 분야의 사이버 물리 시스템(CPS)에서 생성되는 복잡한 시계열 데이터를 예지 및 건강 관리(PHM)에 활용하기 위한 딥러닝(DL) 기반 예측 모델의 강건성 평가 프레임워크를 제시한다. 기존의 강건성 평가는 형식적 검증이나 적대적 방해에 초점을 맞춰 실제 CPS 환경의 복잡성을 충분히 반영하지 못하는 한계를 지닌다. 본 논문에서는 분포적 강건성에 기반한 실용적인 강건성 정의를 제안하고, 센서 드리프트, 노이즈, 불규칙적인 샘플링과 같은 현실적인 장애를 시뮬레이션하여 실제 CPS 데이터셋에서 예측 모델의 강건성을 철저히 분석하는 체계적인 프레임워크를 제시한다. 다양한 DL 아키텍처(순환, 합성곱, 어텐션 기반, 모듈형, 구조적 상태 공간 모델 포함)에 대한 실증 연구를 통해 제안된 접근 방식의 적용 가능성과 효과를 보여주고, 강건성 벤치마크를 공개하여 추가 연구와 재현성을 장려한다.
