최근 발표된 연구에 따르면, 시계열 예측(Time Series Forecasting) 모델이 외부 변수(exogenous covariates)의 오류로 인해 예측 성능이 크게 저하되는 문제를 해결할 간단하면서도 강력한 방법이 제시되었습니다. 바로 '외인성 드롭아웃(Exogenous Dropout)'이라는 훈련 기법입니다. 이 방법은 복잡한 아키텍처 변경 없이도 모델의 견고성(robustness)을 대폭 개선할 수 있음을 보여주며, 시계열 예측 분야에 새로운 기준점을 제시하고 있습니다.
기존 시계열 예측 모델들은 외부 데이터를 활용할 때, 해당 데이터에 노이즈가 섞이거나, 시간적으로 정렬되지 않거나, 아예 누락되는 등의 문제가 발생하면 예측 정확도가 급격히 떨어지는 취약점을 가지고 있었습니다. 연구팀은 이러한 견고성을 확보하기 위해 특별한 아키텍처가 필요한지, 아니면 간단한 훈련 개입으로도 가능한지를 탐구했습니다. 그 결과, 훈련 과정에서 무작위로 전체 외부 채널(exogenous channels)을 0으로 만드는 외인성 드롭아웃 기법을 제안했는데, 이는 모델의 종류와 관계없이 적용 가능한(model-agnostic) 방식입니다.
이 기법은 전력 가격 예측, 저수지 수문학, 기상학 등 다양한 시계열 예측 시나리오에서 가우시안 노이즈, 시간 불일치, 채널 완전 누락과 같은 데이터 손상 상황에서 예측 견고성을 크게 향상시키는 동시에, 깨끗한 데이터에서의 정확도도 유지하는 것으로 나타났습니다. 특히, 학습 가능한 게이트와 잔차 연결 등 복잡한 구조를 가진 'BoundEx'라는 견고한 아키텍처보다도 외인성 드롭아웃을 적용한 일반 모델이 모든 실험 영역에서 더 뛰어난 견고성을 보였습니다. 이는 명시적인 아키텍처적 제한이 견고성에 필수적이지 않음을 시사하며, 연구팀은 외인성 드롭아웃을 향후 시계열 예측 연구의 강력한 기준선으로 추천하고 있습니다.