시계열 예측에 뉴스 기반 사건 추론을 적용하는 SEER 모델
원제 SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting
추천 18댓글 2
Key Point
시계열 예측에 뉴스 기반 외부 사건을 통합하는 새로운 방식이 기존 모델보다 성능이 우수하다는 것을 보여주므로, 금융·에너지·주식 등 변동성 큰 시계열을 다루는 개발자와 연구자에게 중요하다.
핵심 요약
- 실제 시계열 데이터는 외부 사건과 구조적 변화에 의해 구동되는데, 기존 예측 방식은 과거 수치 데이터만으로는 충분하지 않다.
- 언어 모델을 통해 외부 뉴스를 검색할 수 있지만, 표준 검색 증강 방식은 높은 노이즈, 신호 손실, 사건 영향에 대한 인과적 추론 능력 부족의 문제가 있다.
- SEER는 시계열 예측을 위해 사건 조건화를 동적으로 최적화하는 폐루프 프레임워크로, 예측 오류를 두 가지 피드백 메커니즘으로 변환한다.
- 첫째는 반사적 검색 메모리로, 이후 검색 쿼리를 정제하고 허위 노이즈를 필터링한다.
- 둘째는 지속적 인과 지식 기반으로, 전이 가능한 도메인 동역학을 추출한다.
- SEER는 사건 검색과 반사 모두에서 엄격한 시간 순서 경계를 강제하여 미래정보 누출과 데이터 누수를 방지한다.
- 6개의 불안정한 시계열 벤치마크에서 SEER는 최첨단 시계열 기초 모델과 언어 모델 기반선을 일관되게 능가했다.