시간 series 분석을 위한 파운데이션 모델이 주목받고 있지만, 훈련 데이터 부족 및 불균형과 같은 문제가 존재한다. 본 논문은 복잡한 동적 시스템 이론에서 영감을 얻어 시계열 데이터와 해당 기호 표현을 무제한으로 생성하는 시리즈-기호 데이터 생성 메커니즘을 설계했다. 강력한 상관 관계를 가진 시리즈-기호 데이터 쌍을 활용하기 위해, 기호 정보를 사용하여 시계열 표현을 향상시키는 사전 훈련된 파운데이션 모델 SymTime을 개발했다. SymTime은 실제 데이터셋에서 사전 훈련된 파운데이션 모델과 경쟁하며, 5가지 주요 시계열 분석 작업에서 경쟁력 있는 성능을 보였다. 이 접근 방식은 시리즈-기호 데이터 생성 및 사전 훈련 메커니즘이 데이터 부족 문제를 극복하고 작업 성능을 향상시킬 수 있는 가능성을 보여준다.
