본 논문은 기존의 심층 학습 모델들과 Time-MoE, Chronos와 같은 기반 모델들의 시간적 가소성(temporal plasticity)을 포괄적으로 연구한 최초의 연구입니다. 연구진은 실제 데이터셋에서 분포 변화가 일어나는 상황을 설정하고, 새로운 지속 학습(continual learning) 프레임워크를 이용하여 모델들의 성능을 평가했습니다. 기존 모델들은 점진적 미세 조정 중 성능 저하를 보인 반면, 기반 모델들은 예측 정확도가 지속적으로 향상되는 것을 확인했습니다. 이는 특정 도메인에 맞춘 소규모 모델을 개발하는 것보다 기반 모델의 미세 조정 전략을 최적화하는 것이 더 효율적일 수 있음을 시사합니다. 본 연구는 강력한 지속 학습 기능을 갖춘 기반 시계열 모델을 개발하기 위한 새로운 평가 방법론과 통찰력을 제공합니다.
