본 논문은 종속 데이터(시간적, 시공간적 데이터)에 대한 자기 지도 학습(SSL)의 적용을 개선하는 새로운 이론적 프레임워크인 Dependent TS2Vec을 제안합니다. 기존 대조 학습 기반 SSL 방법들은 샘플 간 의미적 독립성을 가정하지만, 종속 데이터는 복잡한 상관관계를 가지므로 이 가정이 성립하지 않습니다. Dependent TS2Vec은 연속적인 종속 데이터에 맞춰 설계된 대조 학습 SSL 프레임워크로, 샘플 간 '강한' 및 '약한' 유사성 척도를 정의하고 이를 바탕으로 종속성을 고려한 손실 함수를 도출합니다. 시간 및 시공간적 하위 작업에서 기존 방법들보다 우수한 성능을 보이며, UEA 및 UCR 벤치마크에서 각각 4.17%, 2.08%의 정확도 향상을 달성하고, 시공간 패턴이 복잡한 가뭄 분류 작업에서 7% 높은 ROC-AUC 점수를 기록했습니다.
