본 논문은 다양한 실제 응용 분야에서 널리 사용되는 시계열 데이터 분석의 중요성을 강조하며, 기존의 task-specific 접근 방식의 한계를 지적합니다. 최근 자연어 처리(NLP) 및 컴퓨터 비전(CV) 분야에서 탁월한 cross-task 전이 학습 능력, zero-/few-shot 학습 능력, 그리고 다중 모달 통합 능력을 보여주는 기초 모델(foundation models)의 성공에 착안하여, 시계열 모델링 문제 해결을 위한 기초 모델의 활용에 대한 연구를 종합적으로 검토합니다. 기존의 튜토리얼 및 설문조사의 부족을 인지하고, 모달리티를 고려한 과제 중심 관점을 제시하여, 서로 다른 모달리티에서 사전 훈련된 기초 모델이 시계열 작업에 적용될 때 직면하는 고유한 어려움을 밝힙니다. 이 관점을 바탕으로, 사전 훈련 모달리티(시계열, 언어, 비전)별로 기존 연구를 분류하고, 모달리티별 과제와 해결책을 분석하여 각각의 장단점을 논의합니다. 또한, 실제 응용 사례를 통해 도메인별 발전 상황을 보여주고, 오픈 소스 코드를 제공하며, 빠르게 발전하는 이 분야의 미래 연구 방향을 제시합니다.
