본 논문은 시계열 기반 모델(TSFM)의 입력 정규화 방법을 연구합니다. TSFM은 일반화가 중요하지만, 데이터셋별 시계열 모델에서 널리 연구된 정규화가 아직 중요하게 다루어지지 않고 있습니다. 시계열 데이터는 텍스트나 이미지와 달리, 도메인과 채널 간의 큰 규모 변동과 비정상성을 보이며, 이는 TSFM의 성능을 저하시킬 수 있습니다. 4가지 다양한 TSFM 아키텍처를 통해 REVIN이 가장 효율적인 방법임을 실증적으로 확인했습니다. REVIN은 정규화되지 않은 기본 모델 대비 제로샷 MASE를 89% 감소시키고, 다른 정규화 방법 대비 44% 감소시키면서, 데이터셋 수준의 전처리 없이 최상의 in-domain 정확도(0.84 MASE)에 도달하여 최고의 정확도-효율성 트레이드 오프를 제공했습니다. REVIN의 효과는 아키텍처 설계 선택과 최적화 목표, 특히 학습 손실 규모 민감도와 모델 유형(확률적, 점 예측, 또는 LLM 기반 모델)에 따라 달라집니다.
