본 논문은 시계열 모델링에서 개별 채널을 구분하는 능력인 채널 식별 가능성(CID)의 중요성을 강조합니다. CID가 부족하면 채널 특성을 무시하고 동일한 입력에 대해 동일한 출력을 생성하게 됩니다. 이를 해결하기 위해, 논문에서는 각 채널에 고유한 아핀 변환 매개변수를 할당하여 CID를 향상시키는 단순하면서도 효과적인 정규화 전략인 채널 정규화(CN)를 제안합니다. CN을 확장하여 입력 시계열에 따라 매개변수를 동적으로 조정하는 적응형 CN(ACN)과, 채널 수가 알려지지 않았거나 변하는 데이터셋에도 적용 가능하도록 학습 가능한 원형을 사용하는 원형 CN(PCN)을 제시합니다. 다양한 시계열 모델에 CN 및 그 변형을 적용하여 CID 모델과 비-CID 모델 모두에서 성능 향상을 달성했으며, 정보 이론적 관점에서도 성공적인 이유를 분석합니다. 코드는 GitHub에서 공개됩니다.