연구팀이 ICML 2026 논문에서 시계열 모델링 발전을 위해 동역학계 관점이 필요하다고 주장했어요. 자연 및 공학의 대부분 시계열은 복잡한 동역학계를 기반으로 하며, 이를 이해하면 예측 성능 향상 및 장기 행동 예측이 가능해요. 연구에서는 다양한 시계열 모델과 동역학계 재구축(DSR) 모델을 비교 분석하여 훈련 기법 및 사전 훈련 데이터의 중요성을 강조했어요.
일반화된 교사 강제(generalized teacher forcing)와 같은 DSR 특화 훈련 기법을 활용하면 모델 복잡성을 줄이면서 장기 통계적 특성 및 동역학적 구조를 파악할 수 있다고 제안했어요. 또한, 동역학계 시뮬레이션으로 사전 훈련하고, 트랜스포머 대신 현대 RNN을 사용하는 것을 권장하며, 팁핑 포인트 변화와 같은 어려운 문제를 해결해야 한다고 강조했어요.
연구팀은 동역학계의 보편적인 특성을 활용하여 특정 분야 지식에 독립적인 시계열 모델링을 가능하게 하고, 해석 가능하고 수학적으로 처리 가능한 모델에 집중해야 한다고 주장했어요. Christoph Hemmer, Charlotte Doll, Lukas Eisenmann, Florian Hess 등 연구진이 공동 저술했습니다.