DualWeaver: 다변량 예측을 위한 시너지 효과를 내는 특징 융합 기법 - 단변량 시계열 기반 모델 활용

DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models

시계열 기반 모델(TSFM)은 대규모 사전 훈련을 통해 뛰어난 단변량 예측 성능을 보여주지만, 이러한 성공을 다변량 예측으로 확장하는 것은 여전히 어려운 과제입니다. 이를 해결하기 위해, 본 논문에서는 단변량 TSFM(Uni-TSFM)을 다변량 예측에 활용하는 새로운 프레임워크인 DualWeaver를 제안합니다. DualWeaver는 학습 가능한, 구조적으로 대칭적인 대체 시계열 쌍을 사용하여 Uni-TSFM을 다변량 예측에 적응시킵니다. 이러한 대체 시계열은 변수 간의 상호 의존성을 파악하는 공유된 보조 특징 융합 모듈에 의해 생성되며, 예측 목표를 통해 TSFM과 호환되는 시계열로 매핑됩니다. 대칭적인 구조는 추가적인 매개변수 디코딩 없이, 대체 시계열로부터 최종 예측을 직접 재구성할 수 있도록 합니다. 또한, 적응 실패에 대한 강건성을 향상시키기 위한 이론적으로 뒷받침되는 정규화 항을 추가로 도입했습니다. 다양한 실제 데이터셋에 대한 광범위한 실험 결과, DualWeaver는 정확성과 안정성 측면에서 최첨단 다변량 예측 모델보다 우수한 성능을 보였습니다. 본 논문에서 제안하는 DualWeaver의 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/li-jinpeng/DualWeaver.

Time-series foundation models (TSFMs) have achieved strong univariate forecasting through large-scale pre-training, yet effectively extending this success to multivariate forecasting remains challenging. To address this, we propose DualWeaver, a novel framework that adapts univariate TSFMs (Uni-TSFMs) for multivariate forecasting by using a pair of learnable, structurally symmetric surrogate series. Generated by a shared auxiliary feature-fusion module that captures cross-variable dependencies, these surrogates are mapped to TSFM-compatible series via the forecasting objective. The symmetric structure enables parameter-free reconstruction of final predictions directly from the surrogates, without additional parametric decoding. A theoretically grounded regularization term is further introduced to enhance robustness against adaptation collapse. Extensive experiments on diverse real-world datasets show that DualWeaver outperforms state-of-the-art multivariate forecasters in both accuracy and stability. We release the code at https://github.com/li-jinpeng/DualWeaver.