[포지션] 범용 시계열 파운데이션 모델은 범주 오류에 기반한다

Position: Universal Time Series Foundation Models Rest on a Category Error

본 포지션 페이퍼는 '범용 시계열 파운데이션 모델'에 대한 추구가 구조적 '컨테이너(Container)'를 의미론적 '모달리티(Modality)'로 착각하는 근본적인 범주 오류에 기반하고 있다고 주장한다. 우리는 시계열 데이터가 서로 양립할 수 없는 생성 과정(예: 금융 대 유체 역학)을 내포하고 있으므로, 거대 단일(monolithic) 모델은 분포 드리프트(distributional drift) 상황에서 일반화에 실패하며 비용만 높은 '일반 필터(Generic Filters)'로 전락한다고 본다. 이를 해결하기 위해 본 논문은 과거 이력에만 의존하는 모델이 개입(intervention)에 의한 체제 변화(regime shifts)를 예측할 수 없음을 증명하는 이론적 한계인 '자기회귀적 맹목 경계(Autoregressive Blindness Bound)'를 도입한다. 우리는 보편성 대신 '인과적 제어 에이전트(Causal Control Agent)' 패러다임으로 대체할 것을 옹호하며, 이 패러다임에서 에이전트는 외부 맥락을 활용하여 고정된 도메인 전문가 모델부터 경량화된 적시(Just-in-Time) 어댑터에 이르는 특화된 솔버(solver)들의 계층을 조율한다. 결론적으로 우리는 견고한 제어 이론적 시스템을 우선시하기 위해 벤치마크의 기준을 '제로샷 정확도'에서 '드리프트 적응 속도'로 전환할 것을 촉구한다.

This position paper argues that the pursuit of "Universal Foundation Models for Time Series" rests on a fundamental category error, mistaking a structural Container for a semantic Modality. We contend that because time series hold incompatible generative processes (e.g., finance vs. fluid dynamics), monolithic models degenerate into expensive "Generic Filters" that fail to generalize under distributional drift. To address this, we introduce the "Autoregressive Blindness Bound," a theoretical limit proving that history-only models cannot predict intervention-driven regime shifts. We advocate replacing universality with a Causal Control Agent paradigm, where an agent leverages external context to orchestrate a hierarchy of specialized solvers, from frozen domain experts to lightweight Just-in-Time adaptors. We conclude by calling for a shift in benchmarks from "Zero-Shot Accuracy" to "Drift Adaptation Speed" to prioritize robust, control-theoretic systems.