시계열 기반 모델의 추가 학습: 통합 프레임워크

Post-Training in Time Series Foundation Models: A Unifying Framework

시계열 기반 모델(TSFM)은 시계열 분석을 위한 범용 모델로 등장했지만, 사전 학습만으로는 신뢰성 있는 실제 적용에 충분하지 않은 경우가 많습니다. 이러한 격차를 해소하기 위해서는 도메인 변화, 작업의 이질성, 제한적인 감독 데이터 및 계산 제약 조건을 해결하기 위한 추가적인 개입이 필요하며, 이는 사후 학습을 다양한 방법으로 활용하여 사전 학습된 TSFM을 실제 작업에 맞게 조정하고, 확장하고, 조합하고, 보정하거나 전문화하는 것을 의미합니다. 본 연구에서는 예측 파이프라인 내에서의 개입 위치를 기준으로 TSFM의 사후 학습 방법을 분석하여 다섯 가지 범주로 분류했습니다: 매개변수 적응, 컨텍스트 증강, 모델 구성, 출력 처리 및 불확실성 제어, 그리고 압축 및 전문화. 각 범주 내에서 주요 대표적인 방법들을 살펴보고 현재의 한계점을 논의합니다. 또한, 통제된 적응, 신뢰할 수 있는 컨텍스트 구축, 불확실성을 고려한 모델 구성, 보정된 출력 처리, 배포 환경에 대한 최적화된 전문화를 위한 미래 연구 방향을 제시합니다. 전반적으로, 본 연구는 새롭게 등장하는 TSFM 사후 학습 분야를 위한 통합 프레임워크를 제공함으로써, 사전 학습된 TSFM과 신뢰성 있는 실제 적용 사이의 설계 공간을 탐색하는 향후 연구를 지원하는 것을 목표로 합니다.

Time series foundation models (TSFMs) have emerged as general-purpose models for time series analysis, but pretraining alone is often insufficient for reliable downstream deployment. Bridging this gap requires further intervention to handle domain shift, task heterogeneity, limited supervision, and computational constraints, which motivates post-training as a broad class of methods to adapt, augment, compose, calibrate, or specialize pretrained TSFMs for downstream tasks. In this work, we analyze TSFM post-training methods based on their locus of intervention in the prediction pipeline, yielding five categories: parameter adaptation, context augmentation, model composition, output processing and uncertainty control, and compression and specialization. Within each category, we study main representative methods and discuss their current limitations. We further identify future directions toward controlled adaptation, reliable context construction, uncertainty-aware model composition, calibrated output processing, and deployment-aware specialization. Overall, by providing a unifying framework for the emerging TSFM post-training landscape, this work aims to support future research to navigate the design space between a pretrained TSFM and its reliable downstream deployment.