FusAD 시간 주파수 융합 적응형 노이즈 제거 기반 통합 시계열 분석 프레임워크

초록

FusAD는 Fourier와 Wavelet 변환을 동시에 활용해 전역‑지역 특성을 포착하고, 학습 가능한 적응형 노이즈 억제 메커니즘으로 다양한 잡음 환경에 강인한 표현을 만든다. 계층형 레이어 구조와 마스크드 사전학습을 결합해 분류·예측·이상 탐지 등 여러 시계열 작업을 하나의 모델로 처리하며, 파라미터 효율성과 연산 비용 면에서도 기존 최첨단 모델을 능가한다.

상세 분석

본 논문은 시계열 분석 분야에서 ‘하나의 모델이 모든 작업을 수행한다’는 목표를 명확히 제시하고, 이를 실현하기 위한 핵심 기술을 세 가지 축으로 정리한다. 첫째, 시간‑주파수 융합 모듈(Adaptive Spectral Module, ASM)은 입력 시퀀스를 병렬적으로 Fourier 변환과 Wavelet 변환에 투입한다. Fourier 변환은 장기 주기성을, Wavelet 변환은 비정상적 급변 및 지역적 패턴을 효과적으로 추출한다는 점에서 상호 보완적이다. 둘째, ASM 내부에 삽입된 적응형 임계값(Adaptive Masking) 메커니즘은 각 주파수 대역별 에너지 분포를 학습하여 잡음이 집중된 대역을 자동으로 억제한다. 이는 고정된 필터링 방식과 달리 데이터의 신호‑대‑잡음 비율(SNR)이 변동하는 실제 환경에서 강인성을 크게 향상시킨다. 셋째, Information Fusion Module(IFM)은 다변량 시계열 간 상호 의존성을 캡처하기 위해 다중 1D 컨볼루션 경로와 GELU 활성화를 결합한 인터랙티브 구조를 사용한다. 레이어 정규화(Layer Normalization)를 각 레이어 앞에 배치해 학습 안정성을 확보하고, L개의 동일 구조 레이어를 쌓아 점진적인 추상화 수준을 제공한다.

학습 단계에서는 마스크드 프리트레인(masked pre‑training) 방식을 적용해 입력 시퀀스의 일부 구간을 무작위로 가리고, 모델이 이를 복원하도록 유도한다. 이는 자기지도 학습 기반의 일반화 능력을 강화하고, 이후 분류, 예측, 이상 탐지와 같은 다운스트림 태스크에 빠르게 파인튜닝할 수 있게 한다.

실험 결과는 UCR 아카이브, Electricity, Traffic, 그리고 M4와 같은 대표적인 시계열 벤치마크에서 기존 SOTA 모델(TimesNet, TV‑Net, PatchTST 등)을 전반적으로 앞선 정확도와 낮은 파라미터 수·FLOPs를 기록한다. 특히 잡음이 인위적으로 추가된 환경에서도 적응형 노이즈 억제 덕분에 성능 저하가 최소화되는 점이 눈에 띈다.

한계점으로는 Fourier와 Wavelet 변환을 모두 수행함에 따라 전처리 단계에서의 연산 비용이 증가할 수 있다는 점이며, 현재 구현은 고정된 패치 크기와 윈도우 함수를 사용한다는 점에서 매우 긴 시계열이나 비정형 샘플링에 대한 확장성이 제한될 수 있다. 또한, 적응형 마스크링이 학습 초기에 과도하게 잡음을 제거하면 유용한 고주파 신호까지 손실될 위험이 존재한다는 점에서 정교한 하이퍼파라미터 튜닝이 필요하다.

향후 연구 방향으로는 (1) 변환 단계의 연산을 효율화하기 위한 하드웨어 가속 또는 근사 알고리즘 도입, (2) 동적 패치 크기와 가변 윈도우를 통한 장기 의존성 처리, (3) 멀티모달(예: 텍스트·이미지와 결합) 시계열 데이터에 대한 확장, (4) 적응형 마스크링을 베이지안 프레임워크와 결합해 불확실성을 정량화하는 방법 등이 제시된다. 전반적으로 FusAD는 시간‑주파수 정보를 통합하고 잡음에 적응하는 설계가 다중 작업 시계열 분석에 실질적인 진전을 제공한다는 점에서 큰 의미를 가진다.