본 논문은 지구 관측(EO) 분야의 시계열 데이터에서 발생하는 결측치 문제를 해결하기 위해, 입력 단계의 불확실성을 명시적으로 고려하는 새로운 방법인 Monte Carlo Temporal Dropout (MC-TD)과 Monte Carlo Concrete Temporal Dropout (MC-ConcTD)을 제안합니다. 기존의 데이터 증강 기법과 달리, 추론 단계에서 임의로 시간 단계를 삭제하여 결측 데이터의 효과를 모방함으로써 입력 불확실성을 처리합니다. 특히 MC-ConcTD는 최적의 dropout 비율을 자동으로 학습하여 수동 조정의 필요성을 제거합니다. 세 개의 EO 시계열 데이터셋을 이용한 실험 결과, MC-ConcTD가 기존 방법들보다 예측 성능과 불확실성 보정 측면에서 우수함을 보여줍니다.
