시계열 파운데이션 모델(TSFM)은 다양한 산업에서 예측(forecasting)에 활용되지만, 입력 데이터의 특정 '패치(patch)'가 예측 정확도를 떨어뜨리는 '컨텍스트 오염(context poisoning)' 문제에 직면해 있습니다. 최근 발표된 GITCO(Gated Inference-Time Context Optimization)는 이러한 문제를 해결하기 위해 모델의 가중치를 수정하지 않고도 추론(inference) 시점에 입력 컨텍스트를 최적화하는 새로운 프레임워크를 제안합니다.
GITCO는 게이트(Gate), 라우터(Router), 크리틱(Critic)이라는 세 가지 경량 구성요소로 이루어져 있습니다. 이 프레임워크는 시계열 데이터 내에서 구조적으로 비정상적인 패치, 즉 예측 품질을 저하시키는 유해한 패치를 선별적으로 식별하고 억제합니다. 연구팀은 TimesFM 2.5 모델에 GITCO를 적용하여 53개 GIFT-Eval 데이터셋에서 K-겹 교차 검증(K-fold cross-validation)을 수행했으며, 그 결과 평균 1.95%의 MASE(Mean Absolute Scaled Error) 감소를 달성했습니다. 이는 예측 성능 개선의 상한선 중 89.9%를 달성한 수치로, GITCO의 효과적인 성능을 입증합니다.
이 기술은 특히 시계열 데이터의 특성과 모델 아키텍처가 결합되어 예측 정확도에 미치는 영향을 설명하는 '컨텍스트 민감도 프로필(context sensitivity profiles)'이라는 새로운 개념을 도입했습니다. GITCO는 모델 자체를 변경하지 않고도 예측 정확도를 높일 수 있어, 기존에 배포된 TSFM의 성능을 손쉽게 개선할 수 있는 실용적인 방법을 제시합니다. 이는 금융, 제조, 물류 등 시계열 예측이 중요한 다양한 분야에서 AI 모델의 신뢰성과 효율성을 높이는 데 기여할 것으로 기대됩니다.