본 논문은 시계열 데이터 분류에 대한 기존의 대규모 언어 모델(LLM) 기반 접근 방식의 한계(매우 큰 모델 크기)를 극복하기 위해, 사전 훈련된 텍스트 임베딩 모델을 활용하여 시계열 데이터를 임베딩하고, CNN과 MLP로 구성된 간단한 분류 헤드와 결합하는 새로운 방법론인 LETS-C를 제안합니다. 실험 결과, LETS-C는 기존 최고 성능(SOTA) 모델보다 분류 정확도가 높으면서도, 학습 가능한 파라미터 수가 평균 14.5%에 불과하여 경량화된 모델임을 보여줍니다. 이는 텍스트 임베딩 모델과 간단한 분류 헤드의 결합이 고성능과 경량화를 동시에 달성할 수 있는 유망한 방향임을 시사합니다.
