본 논문은 시간 시계열 예측에서 긴 시퀀스 예측의 어려움을 해결하기 위해 반복적 대조 학습(RCL)이라는 새로운 토큰 수준의 대조적 사전 학습 프레임워크를 제안합니다. Mamba 기반 모델의 선택적 능력을 향상시키는 데 중점을 두고, 가우시안 노이즈를 이용한 시퀀스 증강과 시퀀스 간 및 시퀀스 내 대조 학습을 통해 Mamba 모듈이 정보가 풍부한 시간 단계를 우선적으로 고려하고 노이즈는 무시하도록 학습시킵니다. 사전 학습된 Mamba 블록의 파라미터를 다양한 백본 모델에 전이하여 시간 예측 성능을 향상시키며, 제안된 두 가지 지표를 통해 Mamba의 선택적 능력을 정량적으로 평가합니다. 실험 결과, RCL은 기존 방법들을 능가하는 최첨단 성능을 달성함을 보여줍니다.
