TimeMCL은 다중 선택 학습(MCL) 패러다임을 활용하여 여러 가지 가능한 시계열 미래를 예측하는 방법입니다. 신경망에 여러 헤드를 사용하고 Winner-Takes-All(WTA) 손실을 이용하여 예측의 다양성을 높입니다. MCL은 단순성과 불확실하고 모호한 작업을 처리하는 능력 때문에 최근 주목받고 있습니다. 본 논문은 이 프레임워크를 시계열 예측에 적용하여 다양한 미래를 예측하는 효율적인 방법으로 제시하며, 이를 암시적 양자화 목표와 관련짓습니다. 합성 데이터를 사용하여 접근 방식에 대한 통찰력을 제공하고 실제 시계열 데이터에서 평가하여 경량의 계산 비용으로 유망한 성능을 보여줍니다.