본 논문은 기존 신경망이 복잡한 신호의 스펙트럼 구조를 포착하는 데 어려움을 겪는다는 점을 지적하며, 특히 거의 주기적이지만 비공명 주파수를 갖는 실제 신호에서는 더욱 어려움을 겪는다는 점을 언급합니다. 기존 연구에서 ARIMA 모델이 대규모 언어 모델보다 시계열 예측에서 우수하다는 점을 바탕으로, 본 논문은 신경망 예측 모델과 ARIMA 모델을 비교 분석하고, ARIMA 모델의 우수성을 확인합니다. 따라서, 시간적 기억을 위한 사전 훈련된 AR 모듈과 비선형 표현을 위한 KAN을 통합한 새로운 모델인 Autoregressive-Weight-Enhanced Kolmogorov-Arnold Network (AR-KAN)을 제안합니다. AR 모듈은 필수적인 시간적 특징을 보존하면서 중복성을 줄이는 역할을 합니다. 실험 결과, AR-KAN은 거의 주기적인 함수에서 ARIMA와 유사한 성능을 보였으며, Rdatasets 시계열 데이터의 72%에서 최상의 결과를 달성하여 특히 주기적 구조를 갖는 데이터에서 큰 장점을 보였습니다. 이를 통해 AR-KAN이 강력하고 효과적인 시계열 예측 프레임워크임을 보여줍니다.
