• 목록

[일시] 2025.07.31

[리뷰 논문] Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting

[요약]
 이번 발표에서는 시계열 예측에서 발생하는 개념 드리프트(Concept Drift)에 선제적으로 대응하는 새로운 프레임워크인 Proceed를 제안한다. Proceed는 과거와 현재 데이터를 각각 인코딩하여 개념 벡터를 추출하고, 이 차이로부터 드리프트 벡터를 계산해 예측 모델을 미리 조정한다. 이를 위해 이중 인코더 구조와 파라미터 적응 모듈을 활용하여 모델 파라미터를 부드럽게 업데이트하며, Transformer 기반 예측기의 예측력을 유지하면서도 환경 변화에 잘 적응한다. 실험에서는 다섯 개의 시계열 데이터셋과 세 가지 백본 모델(iTransformer, PatchTST 등)을 기반으로, 기존의 다양한 적응 방법들보다 일관되게 우수한 성능을 입증하였다. 마지막으로, 이 구조는 향후 스트리밍 환경이나 분산 시스템에도 확장 가능하며, 강화학습을 통한 자동화 가능성도 제시되었다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/HLwWeTar_aMLOVgqMsSikqi_-5ovfq77ADPJmxqfBCEWsPKIEX6-3SRP_cDTnJI4.YhBvNvqMsEU6iHwi