본 논문은 기존의 시계열 예측 모델에서 대조 학습과 같은 표현 학습 기법이 성능 향상에 기여하지 못한다는 인식에 도전장을 던집니다. TimeAlign이라는 경량의 플러그 앤 플레이 프레임워크를 제시하여, 간단한 재구성 작업을 통해 보조 특징을 학습하고 기본 예측 모델에 피드백함으로써 입력 히스토리와 미래 타겟 간의 분포 차이를 해소합니다. 8개의 벤치마크를 통해 TimeAlign의 우수한 성능을 검증하고, 주파수 불일치 수정을 통해 성능 향상이 이루어짐을 보여줍니다. 또한, 학습된 표현과 예측 타겟 간의 상호 정보량을 증가시키는 TimeAlign의 효과에 대한 이론적 근거를 제시하며, 아키텍처에 독립적이고 오버헤드가 거의 없다는 장점을 강조합니다. 코드는 깃허브에서 공개됩니다.
