시간 계열 예측(TSF)에서 적절한 look-back horizon 선택은 특히 데이터가 분산되고, 이질적이며, 종종 독립적이지 않은 연합 학습 시나리오에서 근본적인 과제로 남아 있습니다. 이 논문은 고유 공간 공식을 통해 연합 시계열 예측에서 적응형 horizon 선택을 위한 원칙적인 프레임워크를 제시합니다. 자기회귀 종속성, 계절성 및 추세와 같은 클라이언트 데이터의 필수적인 시간 구조를 캡처하는 합성 데이터 생성기(SDG)를 도입하고 클라이언트별 이질성을 통합합니다. 이 모델을 기반으로, 시간 계열 윈도우를 잘 정의된 기하학적 및 통계적 속성을 가진 고유 표현 공간에 매핑하는 변환을 정의합니다. 그런 다음, 예측 손실을 irreducible uncertainty를 반영하는 Bayesian term과, 유한 샘플 효과 및 제한된 모델 용량을 설명하는 approximation term으로 분해합니다. 분석 결과, look-back horizon을 늘리면 결정론적 패턴의 식별 가능성이 향상되지만, 더 높은 모델 복잡성과 샘플 효율성 감소로 인해 근사 오차가 증가합니다. 총 예측 손실은 irreducible loss가 포화되기 시작하는 가장 작은 horizon에서 최소화되는 반면, approximation loss는 계속 증가한다는 것을 증명합니다.
