본 논문은 실제 시계열 데이터가 복잡한 비정상성을 가지며, 이는 모델 성능에 부정적인 영향을 미치는 분포 이동을 유발한다는 점에 주목합니다. 기존의 인스턴스 정규화 기법의 한계를 극복하기 위해, 본 논문은 각 인스턴스 내의 분포 이동을 해결하는 두 가지 새로운 포인트 레벨 기법, 즉 Learning Distribution (LD)과 Learning Conditional Distribution (LCD)을 제안합니다. LD는 입력과 출력의 내부 분포를 각 시간 단계에서 서로 다른 매개변수로 적합시켜 내부 불일치를 제거하고, LCD는 신경망을 사용하여 출력의 스케일링 계수를 예측합니다. 제안된 방법론의 성능을 다양한 기반 모델과 공개 벤치마크를 통해 평가하고, 비교 실험을 통해 포인트 레벨 패러다임의 효과를 입증합니다.
