FreDN 학습 가능한 주파수 분해를 통한 시계열 예측

초록

FreDN은 주파수 영역에서 트렌드와 계절성을 학습 가능한 Frequency Disentangler로 분리하고, 복소수 연산을 실수‑복소 공유 가중치인 ReIm Block으로 대체함으로써 스펙트럼 얽힘을 해소하고 계산 비용을 절반 이하로 줄인다. 7개의 장기 예측 벤치마크에서 기존 최첨단 모델 대비 최대 10% 향상된 정확도를 보였다.

상세 분석

본 논문은 비정상 시계열에 적용되는 기존 주파수 기반 모델이 겪는 두 가지 핵심 문제, 즉 스펙트럼 얽힘(spectral entanglement)과 복소수 연산에 따른 높은 계산 복잡도를 정확히 짚어낸다. 스펙트럼 얽힘은 제한된 관측 윈도우(L)로 인한 스펙트럼 누수와 트렌드가 비주기적 특성을 갖는 데서 발생하며, 이는 주파수 영역에서 트렌드, 계절성, 노이즈가 서로 겹쳐져 분리하기 어려운 상황을 만든다. 저자는 이 현상을 이론적으로 설명하기 위해 Sobolev‑smooth 함수의 주파수 감쇠 특성을 정리한 정리 1을 제시하고, 트렌드가 저주파수에 에너지를 집중하면서도 고주파수까지 미세하게 퍼진다는 점을 강조한다.

이를 해결하기 위해 제안된 Frequency Disentangler는 각 주파수‑채널에 대해 시그모이드 가중치 M을 학습시켜 ˜X · σ(M)와 ˜X · (1‑σ(M)) 로 트렌드와 계절성을 직접 분리한다. 초기화 단계에서 Sobolev‑smooth 특성을 반영한 로그 감쇠 형태의 가중치를 사용함으로써, 모델이 자연스럽게 저주파수에 높은 가중치를 부여하고 고주파수는 억제하도록 유도한다. 이렇게 분리된 트렌드는 역 FFT를 통해 시간 영역으로 복원되어 TimeMLP에 입력되고, 계절성은 복소수 형태로 남아 ReIm Block에서 처리된다.

ReIm Block은 기존 복소수 선형 레이어가 필요로 하는 복소수 행렬 곱을 실수 가중치 하나로 대체한다. 정리 2에 따르면, 입력 복소수 벡터가 두 개 이상의 서로 다른 위상(90° 차이)을 가진 성분을 포함하면, 실수 가중치만으로도 모든 복소수 값을 표현할 수 있다. 따라서 실수‑복소 공유 가중치 구조는 파라미터 수를 50% 이상 절감하면서도 복소 평면에서의 회전·스케일링 효과를 유지한다.

손실 함수 측면에서는 시간 영역 MSE와 주파수 영역 MAE의 그래디언트 특성을 비교 분석한다. 주파수 영역 MAE는 각 주파수 성분에 대해 절대 오차를 직접 최소화하므로, 스펙트럼 얽힘을 완화하고 고주파수 노이즈에 대한 민감도를 낮춘다. 이론적 분석 결과는 실험에서 제시된 성능 향상과 일치한다.

실험에서는 ETTh1, ETTh2, ECL, Traffic 등 7개의 장기 예측 데이터셋을 사용했으며, FreDN은 FreTS, FITS, DLinear 등 최신 모델 대비 MSE/MAE에서 평균 4~10% 개선을 기록했다. 특히 복소수 연산을 제거한 ReIm Block 덕분에 FLOPs와 메모리 사용량이 기존 복소수 기반 모델 대비 절반 이하로 감소하였다.

전체적으로 본 논문은 (1) 스펙트럼 얽힘을 이론적으로 정의하고 학습 가능한 주파수 분해기로 해결책을 제시, (2) 복소수 연산을 실수 가중치 공유 구조로 대체해 효율성을 크게 높임, (3) 손실 함수의 주파수‑시간 특성을 정량적으로 분석함으로써 주파수 기반 시계열 예측의 새로운 패러다임을 제시한다는 점에서 의의가 크다.