다변량 시계열 데이터의 정확한 예측은 어려운 과제이며, 특히 현실 세계의 복잡한 시간적 의존성 때문에 더욱 어렵다. 채널 간 관계를 고려하지 않는 채널 독립적인 모델은 적은 용량으로 높은 견고성을 제공하지만, 복잡한 채널 종속 모델은 성능 저하를 겪을 수 있다. 본 연구에서는 하이퍼 네트워크 기반 생성 사전과 임의의 신경망 예측 모델을 통합하는 HN-MVTS라는 새로운 아키텍처를 제안한다. 하이퍼 네트워크의 입력은 시계열 구성 요소의 학습 가능한 임베딩 행렬이다. 새로운 매개변수 수를 제한하기 위해, 하이퍼 네트워크는 대상 예측 네트워크의 마지막 계층의 가중치를 생성하도록 학습하여 일반화와 장거리 예측 정확도를 향상시키는 데이터 적응형 정규화기 역할을 한다. 하이퍼 네트워크는 훈련 중에만 사용되므로, 기반 예측 모델에 비해 추론 시간을 증가시키지 않는다. 여덟 개의 벤치마크 데이터 세트에 대한 광범위한 실험 결과, HN-MVTS를 최첨단 모델(DLinear, PatchTST, TSMixer 등)에 적용하면 일반적으로 성능이 향상되는 것을 보여준다.
