본 논문은 불규칙 시간 시계열을 처리하는 자연스러운 방법인 Neural CDE(Continuous Depth Equations)에 대해 다룬다. 기존 Neural Network의 깊이(층 수)에 해당하는 개념은 Neural CDE에서 함수 평가 횟수(NFE)이다. 일반적으로 솔버 오차 허용치를 통해 조절되는데, 허용치를 낮추면 수치적 정확도는 높아지지만 NFE가 증가하여 계산 비용이 커진다. 하지만 단순히 허용치를 낮추는 것만으로는 모델의 표현력이 충분히 향상되지 않는다는 문제점이 있다. 본 논문에서는 적분 시간 지평선을 확장하여 NFE를 증가시키고 모델의 "깊이"를 늘리는 간단하면서도 효과적인 대안을 제시한다. 적분 구간을 늘리면 기존 벡터 필드에서 제어 불가능한 성장이 발생하므로, Negative Feedback(NF)을 통해 동역학을 안정화하는 방법도 제안한다. NF는 유연성을 제한하지 않고 안정성을 증명할 수 있게 해주며, Gaussian process 이론을 이용한 Neural ODE 위험에 대한 이론적 경계를 제공하여 강건성을 보장한다. 네 개의 공개 데이터셋에 대한 실험 결과, 제안된 방법인 DeNOTS는 기존 접근 방식(최근 Neural RDE 및 상태 공간 모델 포함)을 능가하며 최대 20%의 성능 향상을 달성함을 보여준다. DeNOTS는 표현력, 안정성, 강건성을 결합하여 연속 시간 영역에서의 신뢰할 수 있는 모델링을 가능하게 한다.
