본 논문은 불규칙 시간 시계열을 처리하는 자연스러운 방법인 Neural CDEs에서, 모델의 표현력을 높이기 위한 새로운 방법을 제시합니다. 기존 Neural CDEs는 솔버 오차 허용치를 낮추어 수치적 정밀도를 높이는 방식으로 모델의 깊이(함수 평가 횟수, NFE)를 조절하지만, 이는 표현력 향상에 충분하지 않습니다. 본 논문에서는 통합 시간 지평선을 확장하여 NFE를 증가시키고 모델을 "깊게" 만드는 간단하면서도 효과적인 대안을 제시합니다. 이때 발생하는 기존 벡터 필드의 통제 불능 성장 문제를 해결하기 위해, 유연성을 제한하지 않고 안정성을 보장하는 Negative Feedback (NF) 기법을 제안합니다. 가우시안 프로세스 이론을 이용하여 Neural ODE 위험에 대한 이론적 경계를 제공하며, 네 개의 공개 데이터셋 실험을 통해 기존 Neural RDEs 및 상태 공간 모델을 포함한 기존 방법보다 최대 20% 향상된 성능을 보임을 보여줍니다. DeNOTS라는 제안된 방법은 표현력, 안정성, 강건성을 결합하여 연속 시간 영역에서 신뢰할 수 있는 모델링을 가능하게 합니다.
