시계열 예측은 다양한 분야에서 중요하지만, 정확한 모델을 훈련하려면 대규모 데이터셋과 상당한 계산 자원이 필요하다. 데이터셋 증류는 전체 데이터의 학습 동작을 보존하는 압축된 데이터셋을 합성하여 유망한 대안을 제시한다. 그러나 시계열 예측으로의 데이터셋 증류 확장은 두 가지 근본적인 문제로 인해 쉽지 않다: 1. 강한 자기 상관 관계로 인한 시간적 편향, 2. 궤적 다양성을 규제할 명시적인 범주형 사전 정보의 부재로 인한 합성 샘플의 부족한 다양성. 본 연구에서는 일차 응축 분해를 기반으로 구축된 가볍고 플러그인 가능한 증류 프레임워크인 DDTime을 제안한다. 시간적 편향을 해결하기 위해 시간적 통계를 통해 가치-항 정렬을 재검토하고, 스펙트럼 일관성과 시간적 충실도를 보장하기 위해 주파수 도메인 정렬 메커니즘을 도입한다. 다양성을 해결하기 위해 정보 병목 현상 원리에서 영감을 받은 샘플 간 정규화를 설계하여 합성 궤적 간의 다양성을 강화하고 정보 밀도를 최대화한다. DDTime은 기존 증류 방법보다 일관되게 우수한 성능을 보이며, 약 30%의 상대적 정확도 향상을 달성하면서 약 2.49%의 계산 오버헤드를 도입한다.
시사점, 한계점
•
DDTime은 시계열 데이터셋 증류를 위한 새로운 프레임워크를 제시하여 기존 방법 대비 상당한 성능 향상을 보였다.
•
시간적 편향 및 샘플 다양성 부족 문제를 해결하기 위한 구체적인 방법론을 제시했다.
•
다양한 예측 아키텍처 및 20개의 벤치마크 데이터셋에 대한 광범위한 실험을 통해 방법론의 효과를 입증했다.
