[Paper Review] Time-Series Forecasting Out-of-Distribution Generalization Using Invariant Learning скачать в хорошем качестве

[Paper Review] Time-Series Forecasting Out-of-Distribution Generalization Using Invariant Learning

발표자: 서울대학교 산업공학과 박사과정 박진우 메일: jinwoo_park@snu.ac.kr 1. 논문 제목: Time-Series Forecasting for Out-of-Distribution Generalization Using Invariant Learning (ICML 2024) 2. 논문 링크: https://arxiv.org/abs/2406.09130 3. 논문 코드: https://github.com/AdityaLab/FOIL 4. 인용 수: 5회 (2025/08/22, Google scholar 기준) 5. 요약: 시계열 데이터는 동적인 데이터의 특성상 시간에 따른 distribution shift를 겪기 때문에 훈련된 모델이 테스트 시점의 데이터에 일반화하기 어려운 문제가 존재합니다. 본 논문은 이러한 out-of-distribution (OOD) generalization 문제를 해결하기 위해 Invariant Learning 기반의 model-agnostic 시계열 예측 프레임워크인 FOIL(Forecasting for Out-of-distribution TS generalization via Invariant Learning)을 제안합니다. 제안하는 FOIL은 크게 다음 두 가지 주요 구성 요소로 이루어져 있습니다: 1. Surrogate Loss for Unobserved Confounders: 시계열 데이터에서 자주 발생하는 관측되지 않은 변수들의 영향을 줄이기 위해, surrogate loss를 도입하여 안정적인 학습이 가능하도록 합니다. 2. Environment Inference with Joint Optimization: 명시적인 environment label이 없는 상황에서도 환경을 추론하는 모듈을 설계하고, 추론된 환경을 바탕으로 Invariant representation을 학습하는 과정을 교대로 수행하며 공동 최적화합니다.