본 논문은 복잡한 시계열 데이터의 장기 주기성, 단기 변동성, 갑작스러운 변화 등 다양한 스케일을 효과적으로 분석하기 위해, 웨이블릿 변환 기반의 시계열 예측 프레임워크인 WaveTuner를 제안한다. WaveTuner는 Adaptive Wavelet Refinement 모듈과 Multi-Branch Specialization 모듈을 통해 시계열 데이터를 시간-주파수 계수로 변환하고, 각 서브밴드에 특화된 임베딩과 Kolmogorov-Arnold Network (KAN)을 활용하여 전반적인 경향과 국부적 변동을 통합적으로 모델링한다.
