본 논문은 시계열 예측에서 회귀 문제를 분류 문제로 재구성하는 최근 연구를 바탕으로, 연속적인 목표 공간을 이산화하여 고정된 클래스 집합에 대한 예측을 수행하는 방식을 다룬다. 기존의 one-hot encoding 방식의 한계점인 목표 값 간의 상대적인 거리 정보의 손실 문제를 해결하기 위해, 순서와 크기 정보를 유지하는 누적 이진 인코딩(CBE)을 제안한다. CBE를 효과적으로 활용하기 위해, 확률적 예측을 위한 완전 합성곱 신경망 구조인 BinConv를 제안하고, CBE와 함께 사용될 때 완전 연결 계층보다 합성곱 계층이 계산 효율성이 높고 예측 성능도 향상시킨다는 것을 보여준다. 표준 벤치마크 데이터셋 실험 결과, BinConv는 기존 방법들보다 점 예측과 확률적 예측 모두에서 우수한 성능을 달성하며, 더 적은 매개변수와 빠른 학습 속도를 제공함을 확인하였다.
