DySCo: 효과적인 장기 시계열 예측을 위한 동적 의미 압축

DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting

시계열 예측(TSF)은 금융, 기상, 에너지 등 다양한 분야에서 매우 중요합니다. 이론적으로는 더 긴 과거 데이터를 활용하면 풍부한 역사적 정보를 얻을 수 있지만, 실제로는 종종 관련 없는 노이즈와 계산적 중복을 야기하여 모델이 복잡한 장기 의존성을 효과적으로 학습하는 것을 방해합니다. 이러한 문제점을 해결하기 위해, 우리는 동적 의미 압축(DySCo) 프레임워크를 제안합니다. 기존 방법들이 고정된 규칙에 의존하는 것과 달리, DySCo는 엔트로피 기반 동적 샘플링(EGDS) 메커니즘을 도입하여 고엔트로피 구간을 자동으로 식별하고 유지하면서 불필요한 추세를 압축합니다. 또한, 고주파 이상 징후를 저주파 패턴과 분리하여 희소 샘플링 과정에서 중요한 세부 사항이 보존되도록 하는 계층적 주파수 강화 분해(HFED) 전략을 통합했습니다. 마지막으로, 간단한 선형 결합을 대체하여 전역 컨텍스트와 로컬 표현을 동적으로 융합하는 크로스 스케일 상호 작용 믹서(CSIM)를 설계했습니다. 실험 결과는 DySCo가 범용적인 플러그 앤 플레이 모듈로서 작용하며, 주류 모델들이 장기 상관관계를 파악하는 능력을 크게 향상시키면서도 계산 비용을 줄이는 데 기여한다는 것을 보여줍니다.

Time series forecasting (TSF) is critical across domains such as finance, meteorology, and energy. While extending the lookback window theoretically provides richer historical context, in practice, it often introduces irrelevant noise and computational redundancy, preventing models from effectively capturing complex long-term dependencies. To address these challenges, we propose a Dynamic Semantic Compression (DySCo) framework. Unlike traditional methods that rely on fixed heuristics, DySCo introduces an Entropy-Guided Dynamic Sampling (EGDS) mechanism to autonomously identify and retain high-entropy segments while compressing redundant trends. Furthermore, we incorporate a Hierarchical Frequency-Enhanced Decomposition (HFED) strategy to separate high-frequency anomalies from low-frequency patterns, ensuring that critical details are preserved during sparse sampling. Finally, a Cross-Scale Interaction Mixer(CSIM) is designed to dynamically fuse global contexts with local representations, replacing simple linear aggregation. Experimental results demonstrate that DySCo serves as a universal plug-and-play module, significantly enhancing the ability of mainstream models to capture long-term correlations with reduced computational cost.